keras小技巧——獲取某一個(gè)網(wǎng)絡(luò)層的輸出方式
更新時(shí)間：2020年05月23日 09:10:28 作者：LoveMIss-Y
這篇文章主要介紹了keras小技巧——獲取某一個(gè)網(wǎng)絡(luò)層的輸出方式，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧
前言：
keras默認(rèn)提供了如何獲取某一個(gè)層的某一個(gè)節(jié)點(diǎn)的輸出，但是沒有提供如何獲取某一個(gè)層的輸出的接口，所以有時(shí)候我們需要獲取某一個(gè)層的輸出，則需要自己編寫代碼，但是鑒于keras高層封裝的特性，編寫起來實(shí)際上很簡單，本文提供兩種常見的方法來實(shí)現(xiàn)，基于上一篇文章的模型和代碼： keras自定義回調(diào)函數(shù)查看訓(xùn)練的loss和accuracy
一、模型加載以及各個(gè)層的信息查看
從前面的定義可知，參見上一篇文章，一共定義了8個(gè)網(wǎng)絡(luò)層，定義如下：
model.add(Convolution2D(filters=6, kernel_size=(5, 5), padding='valid', input_shape=(img_rows, img_cols, 1), activation='tanh')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Convolution2D(filters=16, kernel_size=(5, 5), padding='valid', activation='tanh')) model.add(MaxPooling2D(pool_size=(2, 2))) model.add(Flatten()) model.add(Dense(120, activation='tanh')) model.add(Dense(84, activation='tanh')) model.add(Dense(n_classes, activation='softmax'))
這里每一個(gè)層都沒有起名字，實(shí)際上最好給每一個(gè)層取一個(gè)名字，所以這里就使用索引來訪問層，如下：
for index in range(8): layer=model.get_layer(index=index) # layer=model.layers[index] # 這樣獲取每一個(gè)層也是一樣的 print(model) '''運(yùn)行結(jié)果如下： <keras.engine.sequential.Sequential object at 0x0000012A4F232E10> <keras.engine.sequential.Sequential object at 0x0000012A4F232E10> <keras.engine.sequential.Sequential object at 0x0000012A4F232E10> <keras.engine.sequential.Sequential object at 0x0000012A4F232E10> <keras.engine.sequential.Sequential object at 0x0000012A4F232E10> <keras.engine.sequential.Sequential object at 0x0000012A4F232E10> <keras.engine.sequential.Sequential object at 0x0000012A4F232E10> <keras.engine.sequential.Sequential object at 0x0000012A4F232E10> '''
當(dāng)然由于 model.laters是一個(gè)列表，所以可以一次性打印出所有的層信息，即
print(model.layers) # 打印出所有的層
二、模型的加載
準(zhǔn)備測試數(shù)據(jù)
# 訓(xùn)練參數(shù)
learning_rate = 0.001
epochs = 10
batch_size = 128
n_classes = 10
# 定義圖像維度reshape
img_rows, img_cols = 28, 28
# 加載keras中的mnist數(shù)據(jù)集 分為60,000個(gè)訓(xùn)練集，10,000個(gè)測試集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 將圖片轉(zhuǎn)化為（samples,width,height,channels)的格式
x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
# 將X_train, X_test的數(shù)據(jù)格式轉(zhuǎn)為float32
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
# 將X_train, X_test歸一化0-1
x_train /= 255
x_test /= 255
# 輸出0-9轉(zhuǎn)換為ont-hot形式
y_train = np_utils.to_categorical(y_train, n_classes)
y_test = np_utils.to_categorical(y_test, n_classes)
模型的加載
model=keras.models.load_model('./models/lenet5_weight.h5')
注意事項(xiàng)：
keras的每一個(gè)層有一個(gè)input和output屬性，但是它是只針對單節(jié)點(diǎn)的層而言的哦，否則就不需要我們再自己編寫輸出函數(shù)了，
如果一個(gè)層具有單個(gè)節(jié)點(diǎn) (i.e. 如果它不是共享層), 你可以得到它的輸入張量、輸出張量、輸入尺寸和輸出尺寸:
layer.input layer.output layer.input_shape layer.output_shape
如果層有多個(gè)節(jié)點(diǎn) (參見: 層節(jié)點(diǎn)和共享層的概念), 您可以使用以下函數(shù):
layer.get_input_at(node_index) layer.get_output_at(node_index) layer.get_input_shape_at(node_index) layer.get_output_shape_at(node_index)
三、獲取某一個(gè)層的輸出的方法定義
3.1 第一種實(shí)現(xiàn)方法
def get_output_function(model,output_layer_index): ''' model: 要保存的模型 output_layer_index：要獲取的那一個(gè)層的索引 ''' vector_funcrion=K.function([model.layers[0].input],[model.layers[output_layer_index].output]) def inner(input_data): vector=vector_funcrion([input_data])[0] return vector return inner # 現(xiàn)在僅僅測試一張圖片 #選擇一張圖片,選擇第一張 x= np.expand_dims(x_test[1],axis=0) #[1,28,28,1] 的形狀 get_feature=get_output_function(model,6) # 該函數(shù)的返回值依然是一個(gè)函數(shù)哦，獲取第6層輸出 feature=get_feature(x) # 相當(dāng)于調(diào)用 定義在里面的inner函數(shù) print(feature) '''運(yùn)行結(jié)果為 [[-0.99986297 -0.9988328 -0.9273474 0.9101525 -0.9054705 -0.95798373 0.9911243 0.78576803 0.99676156 0.39356467 -0.9724135 -0.74534595 0.8527011 -0.9968267 -0.9420816 -0.32765102 -0.41667578 0.99942905 0.92333794 0.7565034 -0.38416263 -0.994241 0.3781617 0.9621943 0.9443946 0.9671554 -0.01000021 -0.9984282 -0.96650964 -0.9925837 -0.48193568 -0.9749565 -0.79769516 0.9651831 0.9678705 -0.9444472 0.9405674 0.97538495 -0.12366439 -0.9973782 0.05803521 0.9159217 -0.9627071 0.99898154 0.99429387 -0.985909 0.5787794 -0.9789403 -0.94316894 0.9999644 0.9156823 0.46314353 -0.01582102 0.98359734 0.5586145 -0.97360635 0.99058044 0.9995654 -0.9800733 0.99942625 0.8786553 -0.9992093 0.99916387 -0.5141877 0.99970615 0.28427476 0.86589384 0.7649907 -0.9986046 0.9999706 -0.9892468 0.99854743 -0.86872625 -0.9997323 0.98981035 -0.87805724 -0.9999373 -0.7842255 -0.97456616 -0.97237325 -0.729563 0.98718935 0.9992022 -0.5294769 ]] '''
但是上面的實(shí)現(xiàn)方法似乎不是很簡單，還有更加簡單的方法，思想來源與keras中，可以將整個(gè)模型model也當(dāng)成是層layer來處理，實(shí)現(xiàn)如下面。
3.2 第二種實(shí)現(xiàn)方法
import keras
import numpy as np
from keras.datasets import mnist
from keras.models import Model
model=keras.models.load_model('./models/lenet5_weight.h5')
#選擇一張圖片,選擇第一張
x= np.expand_dims(x_test[1],axis=0) #[1,28,28,1] 的形狀
# 將模型作為一個(gè)層，輸出第7層的輸出
layer_model = Model(inputs=model.input, outputs=model.layers[6].output)
feature=layer_model.predict(x)
print(feature)
'''運(yùn)行結(jié)果為：
[[-0.99986297 -0.9988328 -0.9273474 0.9101525 -0.9054705 -0.95798373
0.9911243 0.78576803 0.99676156 0.39356467 -0.9724135 -0.74534595
0.8527011 -0.9968267 -0.9420816 -0.32765102 -0.41667578 0.99942905
0.92333794 0.7565034 -0.38416263 -0.994241 0.3781617 0.9621943
0.9443946 0.9671554 -0.01000021 -0.9984282 -0.96650964 -0.9925837
-0.48193568 -0.9749565 -0.79769516 0.9651831 0.9678705 -0.9444472
0.9405674 0.97538495 -0.12366439 -0.9973782 0.05803521 0.9159217
-0.9627071 0.99898154 0.99429387 -0.985909 0.5787794 -0.9789403
-0.94316894 0.9999644 0.9156823 0.46314353 -0.01582102 0.98359734
0.5586145 -0.97360635 0.99058044 0.9995654 -0.9800733 0.99942625
0.8786553 -0.9992093 0.99916387 -0.5141877 0.99970615 0.28427476
0.86589384 0.7649907 -0.9986046 0.9999706 -0.9892468 0.99854743
-0.86872625 -0.9997323 0.98981035 -0.87805724 -0.9999373 -0.7842255
-0.97456616 -0.97237325 -0.729563 0.98718935 0.9992022 -0.5294769 ]]
'''
可見和上面的結(jié)果是一樣的，
總結(jié)：
由于keras的層與模型之間實(shí)際上的轉(zhuǎn)化關(guān)系，所以提供了非常靈活的輸出方法，推薦使用第二種方法獲得某一個(gè)層的輸出?？偨Y(jié)為以下幾個(gè)主要的步驟（四步走）：
import keras
import numpy as np
from keras.datasets import mnist
from keras.models import Model
# 第一步：準(zhǔn)備輸入數(shù)據(jù)
x= np.expand_dims(x_test[1],axis=0) #[1,28,28,1] 的形狀
# 第二步：加載已經(jīng)訓(xùn)練的模型
model=keras.models.load_model('./models/lenet5_weight.h5')
# 第三步：將模型作為一個(gè)層，輸出第7層的輸出
layer_model = Model(inputs=model.input, outputs=model.layers[6].output)
# 第四步：調(diào)用新建的“曾模型”的predict方法，得到模型的輸出
feature=layer_model.predict(x)
print(feature)
以上這篇keras小技巧——獲取某一個(gè)網(wǎng)絡(luò)層的輸出方式就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
python如何將文件a.txt的內(nèi)容復(fù)制到b.txt中
這篇文章主要介紹了python如何將文件a.txt的內(nèi)容復(fù)制到b.txt中，具有很好的參考價(jià)值，希望對大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2022-12-12
Python科學(xué)計(jì)算環(huán)境推薦——Anaconda
最近在用Python做中文自然語言處理。使用的IDE是PyCharm。PyCharm確實(shí)是Python開發(fā)之首選，但用于科學(xué)計(jì)算方面，還略有欠缺。為此我嘗試過Enthought Canopy，但Canopy感覺把問題搞得復(fù)雜化，管理Python擴(kuò)展也不太方便。直到今天我發(fā)現(xiàn)了 Anaconda 。2014-06-06
Python中日期和時(shí)間的用法超強(qiáng)總結(jié)
時(shí)間無疑是生活各個(gè)方面中最關(guān)鍵的因素之一，因此，記錄和跟蹤時(shí)間變得非常重要。在?Python?中，可以通過其內(nèi)置庫跟蹤日期和時(shí)間。今天我們來介紹關(guān)于?Python?中的日期和時(shí)間，一起來了解如何使用time和datetime模塊查找和修改日期和時(shí)間2022-10-10
在本篇文章里我們給大家分享了關(guān)于Python爬取成語接龍類網(wǎng)站的相關(guān)知識點(diǎn)，有需要的朋友們學(xué)習(xí)下。2018-10-10
python3寫的簡單本地文件上傳服務(wù)器實(shí)例
今天小編就為大家分享一篇python3寫的簡單本地文件上傳服務(wù)器實(shí)例，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-06-06
Python實(shí)現(xiàn)隨機(jī)密碼生成器實(shí)例
這篇文章主要介紹了Python實(shí)現(xiàn)隨機(jī)密碼生成器實(shí)例,string.printable是string中的可打印字符,用strip函數(shù)首尾去掉空格,random模塊用來取字符,random.choice隨機(jī)取字符,將隨機(jī)取出的字符與password空字符串進(jìn)行拼接,最后用print輸出,需要的朋友可以參考下2023-09-09
一文總結(jié)學(xué)習(xí)Python的14張思維導(dǎo)圖
一文總結(jié)學(xué)習(xí)Python的14張思維導(dǎo)圖，本文涵蓋了Python編程的核心知識，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2017-10-10
這篇文章主要介紹了python--pip--安裝超時(shí)的解決方案，具有很好的參考價(jià)值，希望對大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2023-02-02
python使用tensorflow保存、加載和使用模型的方法
本篇文章主要介紹了python使用tensorflow保存、加載和使用模型的方法，小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧2018-01-01
python協(xié)程gevent案例 爬取斗魚圖片過程解析
這篇文章主要介紹了python協(xié)程gevent案例 爬取斗魚圖片過程解析,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-08-08