Python-Keras,如何获得每一层的输出?

发布于 2021-02-02 23:17:41

我已经使用CNN训练了二进制分类模型,这是我的代码

model = Sequential()
model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1],
                        border_mode='valid',
                        input_shape=input_shape))
model.add(Activation('relu'))
model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1]))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=pool_size))
# (16, 16, 32)
model.add(Convolution2D(nb_filters*2, kernel_size[0], kernel_size[1]))
model.add(Activation('relu'))
model.add(Convolution2D(nb_filters*2, kernel_size[0], kernel_size[1]))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=pool_size))
# (8, 8, 64) = (2048)
model.add(Flatten())
model.add(Dense(1024))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(2))  # define a binary classification problem
model.add(Activation('softmax'))

model.compile(loss='categorical_crossentropy',
              optimizer='adadelta',
              metrics=['accuracy'])
model.fit(x_train, y_train,
          batch_size=batch_size,
          nb_epoch=nb_epoch,
          verbose=1,
          validation_data=(x_test, y_test))

在这里,我想像TensorFlow一样获得每一层的输出,我该怎么做?

关注者
0
被浏览
83
1 个回答
  • 面试哥
    面试哥 2021-02-02
    为面试而生,有面试问题,就找面试哥。

    你可以使用以下命令轻松获取任何图层的输出: model.layers[index].output

    对于所有图层,请使用以下命令:

    from keras import backend as K
    
    inp = model.input                                           # input placeholder
    outputs = [layer.output for layer in model.layers]          # all layer outputs
    functors = [K.function([inp, K.learning_phase()], [out]) for out in outputs]    # evaluation functions
    
    # Testing
    test = np.random.random(input_shape)[np.newaxis,...]
    layer_outs = [func([test, 1.]) for func in functors]
    print layer_outs
    

    注:为了模拟差使用learning_phase如1.在layer_outs以其它方式使用0.

    编辑:(基于评论)

    K.function 创建theano / tensorflow张量函数,该函数随后用于从给定输入的符号图中获取输出。

    现在K.learning_phase()需要输入作为输入,因为许多Keras层(如Dropout / Batchnomalization)都依赖它来在训练和测试期间更改行为。

    因此,如果你删除代码中的辍学层,则可以简单地使用:

    from keras import backend as K
    
    inp = model.input                                           # input placeholder
    outputs = [layer.output for layer in model.layers]          # all layer outputs
    functors = [K.function([inp], [out]) for out in outputs]    # evaluation functions
    
    # Testing
    test = np.random.random(input_shape)[np.newaxis,...]
    layer_outs = [func([test]) for func in functors]
    print layer_outs
    

    编辑2:更优化

    我刚刚意识到,先前的答案并不是针对每个函数评估进行优化的,因为数据将被传输到CPU-> GPU内存中,并且还需要对低层进行n-n-over的张量计算。

    相反,这是一种更好的方法,因为你不需要多个函数,而只需一个函数即可为你提供所有输出的列表:

    from keras import backend as K
    
    inp = model.input                                           # input placeholder
    outputs = [layer.output for layer in model.layers]          # all layer outputs
    functor = K.function([inp, K.learning_phase()], outputs )   # evaluation function
    
    # Testing
    test = np.random.random(input_shape)[np.newaxis,...]
    layer_outs = functor([test, 1.])
    print layer_outs
    


知识点
面圈网VIP题库

面圈网VIP题库全新上线,海量真题题库资源。 90大类考试,超10万份考试真题开放下载啦

去下载看看