今天小编就为大家分享一篇基于keras输出中间层结果的2种实现方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
1、使用函数模型API，新建一个model，将输入和输出定义为原来的model的输入和想要的那一层的输出，然后重新进行predict.
#coding=utf-8 import seaborn as sbn import pylab as plt import theano from keras.models import Sequential from keras.layers import Dense,Activation from keras.models import Model model = Sequential() model.add(Dense(32, activation='relu', input_dim=100)) model.add(Dense(16, activation='relu',name="Dense_1")) model.add(Dense(1, activation='sigmoid',name="Dense_2")) model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy']) # Generate dummy data import numpy as np #假设训练和测试使用同一组数据 data = np.random.random((1000, 100)) labels = np.random.randint(2, size=(1000, 1)) # Train the model, iterating on the data in batches of 32 samples model.<a style="color:transparent">来源gao($daima.com搞@代@#码网</a>fit(data, labels, epochs=10, batch_size=32) #已有的model在load权重过后 #取某一层的输出为输出新建为model，采用函数模型 dense1_layer_model = Model(inputs=model.input, outputs=model.get_layer('Dense_1').output) #以这个model的预测值作为输出 dense1_output = dense1_layer_model.predict(data) print dense1_output.shape print dense1_output[0]
2、因为我的后端是使用的theano，所以还可以考虑使用theano的函数：
#这是一个theano的函数 dense1 = theano.function([model.layers[0].input],model.layers[1].output,allow_input_downcast=True) dense1_output = dense1(data) #visualize these images's FC-layer feature print dense1_output[0]
效果应该是一样的。
以上就是基于keras输出中间层结果的2种实现方式的详细内容，更多请关注gaodaima搞代码网其它相关文章！
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：基于keras输出中间层结果的2种实现方式
转载请注明原文链接：基于keras输出中间层结果的2种实现方式
