如何使用Keras实现基于输出中间层结果的两种不同方法？
- 内容介绍
- 文章标签
- 相关推荐
本文共计352个文字，预计阅读时间需要2分钟。
使用函数模式API创建一个model，新建一个model，将输入和输出定义为原有的model的输入和想要的那一层输出，然后重新进行predict。
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。
以上这篇基于keras输出中间层结果的2种实现方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持易盾网络。
本文共计352个文字，预计阅读时间需要2分钟。
使用函数模式API创建一个model，新建一个model，将输入和输出定义为原有的model的输入和想要的那一层输出，然后重新进行predict。
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。
以上这篇基于keras输出中间层结果的2种实现方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持易盾网络。