如何输出网络的第二层？

Question

我的模型是在数字图像（ MNIST dataset ）上训练的。 我正在尝试打印网络第二层的输出 - 一个 128 个数字的数组。

在阅读了很多例子之后——比如这个， 这个， 或者这个。

我没有设法在我自己的网络上做到这一点。 两种解决方案都不适用于我自己的算法。

Colab 链接： https ://colab.research.google.com/drive/1MLbpWJmq8JZB4_zKongaHP2o3M1FpvAv ? fbclid = IwAR20xRz2i6sFS-Nm6Xwfk5hztdXOuxY4tZaDRXxAx9b986TogA

我收到了很多不同的错误消息。 我试图处理它们中的每一个，但无法自己解决。

我错过了什么？ 如何输出第二层？ 如果我的外形是(28,28) -应该是什么类型和值input_shape ？

---

失败的试验和错误，例如：

(1)

for layer in model.layers:

    get_2nd_layer_output = K.function([model.layers[0].input],[model.layers[2].output])
    layer_output = get_2nd_layer_output(layer)[0]
    print('\nlayer output: get_2nd_layer_output=, layer=', layer, '\nlayer output: get_2nd_layer_output=', get_2nd_layer_output)

类型错误：输入应该是列表或元组。

(2)

input_shape=(28, 28)
inp = model.input                                           # input placeholder
outputs = [layer.output for layer in model.layers]          # all layer outputs
functor = K.function([inp, K.learning_phase()], outputs )   # evaluation function

# Testing
test = np.random.random(input_shape)[np.newaxis,...]
layer_outs = functor([test, 0.])
print('layer_outs',layer_outs)

tensorflow.python.framework.errors_impl.FailedPreconditionError：从容器读取资源变量dense_1/bias时出错：本地主机。 这可能意味着该变量未初始化。 未找到：容器 localhost 不存在。 （找不到资源：localhost/dense_1/bias）[[{{nodedense_1/BiasAdd/ReadVariableOp}}]]

Answer 1

看起来您正在混合旧 keras（在 tensorflow 2.0 之前： import keras ）和新 keras （ from tensorflow import keras ）。

尽量不要在 tensorflow>=2.0 旁边使用旧的 keras （并且不要像在第一个链接中那样引用旧文档），因为它很容易与新文档混淆（尽管没有什么严格不合逻辑的）：

from tensorflow import keras
from keras.models import Model
print(Model.__module__) #outputs 'keras.engine.training'

from tensorflow.keras.models import Model
print(Model.__module__) #outputs 'tensorflow.python.keras.engine.training'

混合这两个库的行为将非常不稳定。

完成后，使用您尝试的答案，m 是您的模型，而my_input_shape是您的模型输入的形状，即一张图片的形状（此处为 (28, 28) 或 (1, 28, 28) 如果您有批次）：

from tensorflow import keras as K
my_input_data = np.random.rand(*my_input_shape) 
new_temp_model = K.Model(m.input, m.layers[3].output) #replace 3 with index of desired layer
output_of_3rd_layer = new_temp_model.predict(my_input_data) #this is what you want

如果你有一张图片img你可以直接写new_temp_model.predict(img)

Answer 2

（假设TF2）

我认为最直接的方法是命名你的层，然后用标准输入调用它们，所以你的模型可能看起来像

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28), name='flatten'),
    keras.layers.Dense(128, activation='relu', name='hidden'),
    keras.layers.Dense(10, activation='softmax')
])

然后只需创建一个输入和

my_input = tf.random.normal((1, 28, 28)) # Should be like the standard input to your network
output_of_flatten = model.get_layer('flatten')(my_input)
output_of_hidden = model.get_layer('hidden')(output_of_flatten)

output_of_hidden就是你要找的

替代方法

如果您正在寻找更通用的解决方案，假设您的模型是顺序的，您可以像这样使用get_layer的index关键字

my_input = tf.random.normal((1, 28, 28)) # Should be like the standard input to your network
desired_index = 1  # 1 == second layer

for i in range(desired_index):
    my_input = model.get_layer(index=i)(my_input)

在此循环结束时my_input应该是您要查找的内容