如何從 Keras 模型中的特定層提取活化？

如何取得 Keras 中每一層的輸出

使用深度神經網路 (DNN) 時，檢查各層的活化通常很有用。這可以幫助您了解模型的行為並識別潛在的問題。 Keras 是一個流行的 Python DNN 函式庫，提供了一個簡單的方法來實現這一目標。

使用模型層介面

Keras 模型被建構為一系列層，每個層執行特定的操作輸入。要檢索特定圖層的輸出，您可以使用以下語法：

model.layers[index].output

其中索引是要從中提取輸出的圖層的索引。例如，要取得提供的程式碼片段中第二個卷積層的輸出：

conv_output = model.layers[2].output

從所有層取得輸出

要從模型中的所有層提取輸出，您可以使用列表理解：

outputs = [layer.output for layer in model.layers]

建立評估函數

實際評估對於各層的輸出，Keras 提供了一組稱為K.function 的函數。這些函數將張量列表作為輸入並傳回輸出列表。

要為每個層輸出建立評估函數，您可以執行以下操作：

from keras import backend as K

functors = [K.function([inp, K.learning_phase()], [out]) for out in outputs]

其中inp 是輸入張量，K.learning_phase() 是一個標誌，指示模型處於訓練模式還是推理模式，out是輸出

評估層輸出

現在，您可以透過將輸入資料傳遞給對應的評估函數來評估層輸出：

test = np.random.random(input_shape)[np.newaxis,...]
layer_outs = [func([test, 1.]) for func in functors]
print layer_outs

記住設定 K。如果模型中的任何層包含 dropout 或批量歸一化來模擬訓練模式，則learning_phase() 為 1。

最佳化處理

評估層輸出的更有效方法是使用單一函數傳回所有層的輸出清單：

from keras import backend as K

functor = K.function([inp, K.learning_phase()], outputs)

這減少了與個人功能評估。

以上是如何從 Keras 模型中的特定層提取活化？的詳細內容。更多資訊請關注PHP中文網其他相關文章！