如何访问和评估 Keras 模型中的层输出？

在 Keras 中获取层输出

使用 Keras 等框架构建神经网络模型时，访问各个层的输出可能会很有帮助用于分析或调试目的。在本文中，我们将演示如何检索 Keras 模型中每一层的输出。

考虑以下示例代码，其中创建了具有卷积神经网络 (CNN) 架构的二元分类模型：

from keras.models import Sequential
from keras.layers import Convolution2D, Activation, MaxPooling2D, Flatten, Dense, Dropout

model = Sequential()
# ... (Model architecture as provided in the question)

访问图层输出

要获取模型中特定图层的输出，可以使用 model.layers[index].output 属性。这里，index 代表该层在模型架构中的位置。

例如，要访问第一个卷积层的输出：

output = model.layers[0].output

获取所有层的输出

要检索模型中所有层的输出，您可以使用列表理解：

outputs = [layer.output for layer in model.layers]

评估层输出

要评估上一步获得的输出，您可以利用 Keras 后端提供的 K.function 方法：

from keras import backend as K

inputs = model.input
functor = K.function([inputs, K.learning_phase()], outputs)

这里，inputs 代表模型的输入层，需要 K.learning_phase()对于在训练和评估期间表现出不同行为的层（例如，Dropout）。

最后，评估给定输入的层输出：

test_input = np.random.random(input_shape)[np.newaxis,...]
layer_outputs = functor([test_input, 1.])

评估优化

要优化评估过程，您可以创建一个返回列表中所有输出的函数，而不是为每个层输出创建多个函数：

functor = K.function([inputs, K.learning_phase()], outputs)

附加说明

• 在评估过程中应通过将 K.learning_phase() 设置为 0 来排除 Dropout 层。
• 如果您的模型有，则输入变量可以表示多个输入张量多个输入。
• layer_outputs 变量将包含与每层输出对应的 NumPy 数组列表。

以上是如何访问和评估 Keras 模型中的层输出？的详细内容。更多信息请关注PHP中文网其他相关文章！