Skip to main content
 首页 » 编程设计

python之如何从包括所有先前层在内的keras中间层获得预测

2025年01月19日9haluo1

在 keras FAQ 示例 [1] 之后,我想阐明如何从中间层获得预测。假设我有几个带有丢失的密集层,例如

model = Sequential() 
model.add(Dense(out_dim, input_dim=input_dim, name="layer1")) 
model.add(LeakyReLU()) # or whatever activation you want to use 
model.add(Dropout(0.5)) 
model.add(Dense(int_dim, name="layer2")) 
.... # here we have activation, dropout, etc. 
model.add(Dense(lat_dim, name="layerN")) 
# at last we add sigmoid and yield probabilities 
model.add(Dense(1)) 
model.add(Activation("sigmoid")) 
model.summary() 

而且,我有兴趣从第 N 层包括所有之前的层获得预测。 [1] 推荐了几种方法,第一种是构建另一个模型,例如

new_model = Model(inputs=model.input, 
                  outputs=model.get_layer("layerN").output) 
output = new_model.predict(data) 

我的问题是新模型是否采用输入向量并且仅从“layerN”产生预测,或者它实际上将我的输入传播到所有层(包括辍学等)直到“layerN”并且然后产生预测?如果是前者,是否意味着我需要基本上构建新模型,所有层都与原始层一样,直到“layerN”?

最好的, 瓦伦丁。

[1] https://keras.io/getting-started/faq/#how-can-i-obtain-the-output-of-an-intermediate-layer

请您参考如下方法:

是的,您必须构建一个模型,包括您想要作为输出的所有层,这不会自动完成。