这篇文章主要介绍了如何基于keras输出中间层结果,具有一定借鉴价值,感兴趣的朋友可以参考下,希望大家阅读完这篇文章之后大有收获,下面让小编带着大家一起了解一下。
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.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。
感谢你能够认真阅读完这篇文章,希望小编分享的“如何基于keras输出中间层结果”这篇文章对大家有帮助,同时也希望大家多多支持亿速云,关注亿速云行业资讯频道,更多相关知识等着你来学习!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。