如何从 Keras 模型中的特定层提取激活？

如何获取 Keras 中每一层的输出

使用深度神经网络 (DNN) 时，检查各个层的激活通常很有用。这可以帮助您了解模型的行为并识别潜在的问题。 Keras 是一个流行的 Python DNN 库，提供了一种简单的方法来实现这一目标。

使用模型层接口

Keras 模型被构造为一系列层，每个层执行特定的操作输入。要检索特定图层的输出，您可以使用以下语法：

model.layers[index].output

其中索引是要从中提取输出的图层的索引。例如，要获取提供的代码片段中第二个卷积层的输出：

conv_output = model.layers[2].output

从所有层获取输出

要从模型中的所有层提取输出，您可以使用列表理解：

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

创建评估函数

实际评估对于各层的输出，Keras 提供了一组称为 K.function 的函数。这些函数将张量列表作为输入并返回输出列表。

要为每个层输出创建评估函数，您可以执行以下操作：

from keras import backend as K

functors = [K.function([inp, K.learning_phase()], [out]) for out in outputs]

其中 inp 是输入张量，K.learning_phase() 是一个标志，指示模型处于训练模式还是推理模式，out 是输出

评估层输出

现在，您可以通过将输入数据传递给相应的评估函数来评估层输出：

test = np.random.random(input_shape)[np.newaxis,...]
layer_outs = [func([test, 1.]) for func in functors]
print layer_outs

记住设置 K。如果模型中的任何层包含 dropout 或批量归一化来模拟训练模式，则learning_phase() 为 1。

优化处理

评估层输出的更有效方法是使用单个函数返回所有层的输出列表：

from keras import backend as K

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

这减少了与个人功能评估。

以上是如何从 Keras 模型中的特定层提取激活？的详细内容。更多信息请关注PHP中文网其他相关文章！