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。
