keras輸出中間層結果的2種方法
阿新 • • 發佈:2019-01-26
1.使用函式模型API,新建一個model,將輸入和輸出定義為原來的model的輸入和想要的那一層的輸出,然後重新進行predict.
#coding=utf-8 import seaborn as sbn import pylab as plt import theano from keras.models import Sequential from keras.layers import Dense,Activation from keras.models import Model model = Sequential() model.add(Dense(32, activation='relu', input_dim=100)) model.add(Dense(16, activation='relu',name="Dense_1")) model.add(Dense(1, activation='sigmoid',name="Dense_2")) model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy']) # Generate dummy data import numpy as np #假設訓練和測試使用同一組資料 data = np.random.random((1000, 100)) labels = np.random.randint(2, size=(1000, 1)) # Train the model, iterating on the data in batches of 32 samples model.fit(data, labels, epochs=10, batch_size=32) #已有的model在load權重過後 #取某一層的輸出為輸出新建為model,採用函式模型 dense1_layer_model = Model(inputs=model.input, outputs=model.get_layer('Dense_1').output) #以這個model的預測值作為輸出 dense1_output = dense1_layer_model.predict(data) print dense1_output.shape print dense1_output[0]
2.因為我的後端是使用的theano,所以還可以考慮使用theano的函式:
#這是一個theano的函式
dense1 = theano.function([model.layers[0].input],model.layers[1].output,allow_input_downcast=True)
dense1_output = dense1(data) #visualize these images's FC-layer feature
print dense1_output[0]
效果應該是一樣的。