关于用keras提取NN中间layer输出

最新推荐文章于 2024-06-17 13:03:01 发布
原创 最新推荐文章于 2024-06-17 13:03:01 发布 · 1k 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

博客围绕网络层数结构展开，介绍了在Keras中获取Pooling层输出的两种方法，指出第10层为Pooling层，且两个代码的输出相同，还提到一般人们常用第二种方法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Build model...
__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
main_input (InputLayer)         (None, 89, 39)       0                                            
__________________________________________________________________________________________________
cropping1d_1 (Cropping1D)       (None, 85, 39)       0           main_input[0][0]                 
__________________________________________________________________________________________________
cropping1d_2 (Cropping1D)       (None, 85, 39)       0           main_input[0][0]                 
__________________________________________________________________________________________________
cropping1d_3 (Cropping1D)       (None, 85, 39)       0           main_input[0][0]                 
__________________________________________________________________________________________________
cropping1d_4 (Cropping1D)       (None, 85, 39)       0           main_input[0][0]                 
__________________________________________________________________________________________________
cropping1d_5 (Cropping1D)       (None, 85, 39)       0           main_input[0][0]                 
__________________________________________________________________________________________________
concatenate_1 (Concatenate)     (None, 85, 195)      0           cropping1d_1[0][0]               
                                                                 cropping1d_2[0][0]               
                                                                 cropping1d_3[0][0]               
                                                                 cropping1d_4[0][0]               
                                                                 cropping1d_5[0][0]               
__________________________________________________________________________________________________
fc1 (BatchNormalization)        (None, 85, 195)      780         concatenate_1[0][0]              
__________________________________________________________________________________________________
fc2 (Bidirectional)             (None, 85, 2048)     9994240     fc1[0][0]                        
__________________________________________________________________________________________________
fc3 (BatchNormalization)        (None, 85, 2048)     8192        fc2[0][0]                        
__________________________________________________________________________________________________
global_average_pooling1d_1 (Glo (None, 2048)         0           fc3[0][0]                        
__________________________________________________________________________________________________
main_output (Dense)             (None, 2)            4098        global_average_pooling1d_1[0][0] 
==================================================================================================
Total params: 10,007,310
Trainable params: 10,002,824
Non-trainable params: 4,486
__________________________________________________________________________________________________

假设我网络层数是上面这个结构.

如果我想得到pooling的输出， keras上有两张方法。

intermediate_layer_model = Model(inputs=model.input,outputs=model.get_layer(str('global_average_pooling1d_1')).output)
#model.summary()
#model.get_layer(str('cropping1d_1'))
intermediate_output = intermediate_layer_model.predict(data)

data是你的输入所用的数据.... 

from keras import backend as K
get_11rd_layer_output = K.function([model.layers[0].input],
                                  [model.layers[10].output])
layer_output = get_11rd_layer_output([data])[0]

我这里第10层是Pooling层.

这两个代码的output是一样的.. 

一般我看人用的都是第二个... 

 

36丨深度学习：使用Keras预训练模型完成猫狗识别
Python、C++、HTML、Java
09-18 1049
使用Keras预训练模型完成猫狗识别。
Keras深度学习实战（7）——卷积神经网络详解与实现
盼小辉丶的博客
06-02 1万+
传统深度前馈神经网络的局限性之一是它并不满足平移不变性，且容易受图像中对象大小的影响。卷积神经网络 (Convolutional Neural Network, CNN) 的提出正是用于解决传统神经网络的这些缺陷。即使对象位于图片中的不同位置或其在图像中具有不同占比，CNN 也能够正确的处理这些图像，因此在对象分类/检测任务中更加有效。本节详细介绍了 CNN 的基本概念与计算流程，同时使用 Keras 构建 CNN 模型识别手写数字。.........
Keras之获取中间layer的output
落日之城
07-23 577
大致有两种方法 建一个新模型, output为那个layer 使用K.function抽象出这个输出. 先挖个坑. 详细见: Keras, How to get the output of each layer?
Keras 中间层 输出
weixin_38842820的博客
02-04 668
如何获取中间层的输出？ 一种简单的方法是创建一个新的Model，使得它的输出是你想要的那个输出 from keras.models import Model model = … # create the original model layer_name = ‘my_layer’ intermediate_layer_model = Model(input=model.input, output...
layer output 激活函数_keras 定义激活函数及layer
weixin_39569894的博客
12-20 432
自定义激活函数通过定义个操作 Tensor 的函数，然后将其添加到 keras 系统中即可。from keras.utils.generic_utils import get_custom_objectsdef binary(x):# 注: tf.greater 函数没有 gradient 函数，因此在运行时候会报错# ValueError: An operation has `None` for...
tf.keras.layers.InputLayer函数
weixin_49346755的博客
04-19 3629
函数原型 tf.keras.layers.InputLayer(input_shape=None, batch_size=None, dtype=None, input_tensor=None, sparse=None, name=None, ragged=None, type_spec=None, **kwargs ) 函数使用 输入层一般用作线
Lstm输入参数详细解释
weixin_44885180的博客
03-19 8166
Lstm输入参数详细解释： 比如建立双层lstm，以mnist数据集来进行叙述： 我们知道mnist数据集，是28*28；用lstm训练mnist数据集过程； def DoubleLSTM(train_x,train_y,valid_x,valid_y,test_x,test_y): #创建模型 model=Sequential() model.add(LSTM(64,input_shape=(28,28),return_sequences=True)) #返回所有节点的输出
Tensorflow 2.x(keras)源码详解之第十章：keras中的模型保存与加载(详解Checkpoint&md5&模型序列化)
weixin_43178406的博客
05-18 4万+
1. 模型保存与加载：综述 2. 前提总结 3. 仅保存模型权重 3.1 在内存中将权重进行迁移 3.2 将权重保存到磁盘上 3.2.1 Checkpoint(检查点) 3.2.2 使用tf.train.checkpoint()保存多个检查点 3.2.3 使用tf.train.checkpoint加载多个检查点 3.2.4 tf.train.checkpoint保存和加载单一检查点 3.2.5 save_weights保存检查点 3.2.6 save_weights保存成HDF5格式 4. 仅保存模型架构
用Keras实现一个DeepFM
songbinxu的博客
05-01 2万+
用Keras实现一个DeepFM 一、数据格式   在设计模型之间，首先要明确数据的格式应该是怎样的。我们假设现在要解决的问题是一个CTR预估问题，数据集是 (X,y)(X,y)(X,y)，每一个样本都是高度稀疏的高维向量。假设我们有两种 field 的特征，连续型和离散型，连续型 field 一般不做处理沿用原值，离散型一般会做One-hot编码。离散型又能进一步分为单值型和多值型，单值...
keras 和 tensorflow主要组件
heeheeai的博客
06-17 1185
除了内置的回调函数，Keras 还允许定义自己的回调函数。自定义回调函数需要继承类，并重写相应的方法。")# 示例。
keras的model.summary()输出参数计算
weixin_38367022的博客
06-29 1675
摘要 使用keras构建深度学习模型，我们会通过model.summary()输出模型各层的参数状况，如下： ________________________________________________________________ Layer (type) Output Shape Param # ================================================================= dens
译（四十七）-Pytorch获取模型概要
asd123pwj的博客
02-12 957
文章首发及后续更新：https://mwhls.top/3626.html 新的更新内容请到mwhls.top查看。 无图/无目录/格式错误/更多相关请到上方的文章首发页面查看。 stackoverflow热门问题目录如有翻译问题欢迎评论指出，谢谢。 目录 1. Pytorch获取模型概要 2. Model summary in pytorch Pytorch获取模型概要Wasi Ahmad asked:Pytorch 怎么像 Keras 的 model.summary() 获得一个模型概要？Mode
keras如何获取中间层的输出（Sequential、Functional两种情况下）
ch206265的博客
07-27 3162
keras如何获取中间层的输出 Example Keras中英文文档中有详细连接，参照：如何获取中间层输出？ Example 构建模型 from keras.models import Model from keras.layers import Input,Dense,Permute,Flatten inputs_v = Input(shape=(2,5)) model_v = Permute((2, 1))(inputs_v) flatten = Flatten()(model_v) ou
Keras深度学习实战（2）——使用Keras构建神经网络
热门推荐
盼小辉丶的博客
04-20 8万+
Keras 是用 Python 编写的高级神经网络 API，它的核心思想在于实现快速实验，该库提供了很多实用工具，可以简化构建复杂神经网络的过程。在本节中，我们将使用 Keras 库构建神经网络，感受 Keras 快速模型构建的特性。.........
keras中summary()打印上一篇的网络函数
计算机研究生
03-29 8059
>>>print(model.summary()) __________________________________________________________________________________________________ Layer (type) Output Shape Param # C...
神经网络(NN)实现多分类-----Keras实现
weixin_30394669的博客
05-29 1123
IRIS数据集介绍   IRIS数据集（鸢尾花数据集），是一个经典的机器学习数据集，适合作为多分类问题的测试数据，它的下载地址为：http://archive.ics.uci.edu/ml/machine-learning-databases/iris/。   IRIS数据集是用来给鸢尾花做分类的数据集，一共150个样本，每个样本包含了花萼长度（sepal length in cm）、花萼...
keras—如何获得中间层的输出？？？
我乐飞的技术博客
06-26 1万+
刚开始接触keras的时候，觉得这个框架很方便使用，就像搭积木一样，但有时候为了理解模型中间的数据流向，摸清楚模型内部的数据传输是什么样子的就有点麻烦。事实上，keras也为我们提供了方法，其中最简单的方法就是在原来的模型之外在建立一个小型的模型，截取原始模型从输入层到你你感兴趣的那一层作为新模型的输入和输出，在predict一下就出来你想要的那一层的结果啦！from keras.models i...
2021-01-24
weixin_44469416的博客
01-24 167
Layer (type) Output Shape Param # Connected to img (InputLayer) (None, 32, 32, 3) 0 conv2d_1 (Conv2D) (None, 30, 30, 32) 896 img[0][0] conv2d_2 (Conv2D) (None, 28, 28.
keras输出中间层特征值
薄荷糖
01-18 600
import tensorflow as tf from tensorflow.keras import datasets,layers,models import matplotlib.pyplot as plt import numpy as np (train_images,train_labels),(test_images,test_labels) = datasets.cifar10.load_data() train_images,test_images = train_images/25.
使用keras实现VIT rollout
最新发布
01-10
### 使用Keras实现Vision Transformer (ViT) Rollout 为了理解如何使用Keras实现Vision Transformer (ViT)，先了解其基本结构至关重要。Vision Transformer是一种纯变换器模型，直接应用于图像补丁序列以完成图像分类任务[^1]。 下面展示了一个简化版的Vision Transformer在Keras中的实现方法： ```python import tensorflow as tf from tensorflow.keras import layers, models class PatchEncoder(layers.Layer): def __init__(self, num_patches, projection_dim): super(PatchEncoder, self).__init__() self.num_patches = num_patches self.projection = layers.Dense(units=projection_dim) self.position_embedding = layers.Embedding( input_dim=num_patches, output_dim=projection_dim) def call(self, patch): positions = tf.range(start=0, limit=self.num_patches, delta=1) encoded = self.projection(patch) + self.position_embedding(positions) return encoded def create_vit_classifier(input_shape=(224, 224, 3), num_classes=1000, patch_size=16, transformer_layers=12, mlp_head_units=[2048, 1024], representation_size=None): # 图像分割成多个patch并扁平化处理 inputs = layers.Input(shape=input_shape) patches = Patches(patch_size)(inputs) encoded_patches = PatchEncoder(num_patches=(input_shape[0]//patch_size)**2, projection_dim=768)(patches) # 创建多层Transformer Blocks for _ in range(transformer_layers): x1 = layers.LayerNormalization(epsilon=1e-6)(encoded_patches) attention_output = layers.MultiHeadAttention( num_heads=12, key_dim=64, dropout=0.1)(x1, x1) x2 = layers.Add()([attention_output, encoded_patches]) x3 = layers.LayerNormalization(epsilon=1e-6)(x2) fully_connected_output = layers.Dense(units=mlp_head_units[0], activation=tf.nn.gelu)(x3) fully_connected_output = layers.Dropout(0.1)(fully_connected_output) fully_connected_output = layers.Dense(units=mlp_head_units[1])(fully_connected_output) fully_connected_output = layers.Dropout(0.1)(fully_connected_output) encoded_patches = layers.Add()([fully_connected_output, x2]) representation = layers.LayerNormalization(epsilon=1e-6)(encoded_patches) if representation_size and not tf.config.list_physical_devices('GPU'): representation = layers.Dense(representation_size)(representation) representation = tf.tanh(representation) else: representation = layers.Flatten()(representation) representation = layers.Dropout(0.5)(representation) features = layers.Dense(mlp_head_units[-1], activation=tf.nn.tanh)(representation) logits = layers.Dense(num_classes)(features) model = models.Model(inputs=inputs, outputs=logits) return model ``` 此代码片段定义了创建基于Keras框架下的Vision Transformer分类器的过程。通过`PatchEncoder`类来编码输入图片到固定长度向量表示；接着利用一系列变压器块（Transformer Block），这些块由一个多头自注意力机制和一个全连接网络组成，用于提取特征；最后经过一层或多层MLP预测类别标签。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值