keras小技巧——获取某一个网络层的输出方式

前言：

keras默认提供了如何获取某一个层的某一个节点的输出，但是没有提供如何获取某一个层的输出的接口，所以有时候我们需要获取某一个层的输出，则需要自己编写代码，但是鉴于keras高层封装的特性，编写起来实际上很简单，本文提供两种常见的方法来实现，基于上一篇文章的模型和代码： keras自定义回调函数查看训练的loss和accuracy

一、模型加载以及各个层的信息查看

从前面的定义可知，参见上一篇文章，一共定义了8个网络层，定义如下：

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'))

这里每一个层都没有起名字，实际上最好给每一个层取一个名字，所以这里就使用索引来访问层，如下：

for index in range(8):
layer=model.get_layer(index=index)
# layer=model.layers[index] # 这样获取每一个层也是一样的
print(model)

'''运行结果如下：
<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>
'''

当然由于 model.laters是一个列表，所以可以一次性打印出所有的层信息，即

print(model.layers) # 打印出所有的层

二、模型的加载

准备测试数据

# 训练参数
learning_rate = 0.001
epochs = 10
batch_size = 128
n_classes = 10

# 定义图像维度reshape
img_rows, img_cols = 28, 28

# 加载keras中的mnist数据集 分为60,000个训练集，10,000个测试集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 将图片转化为（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)

# 将X_train, X_test的数据格式转为float32
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
# 将X_train, X_test归一化0-1
x_train /= 255
x_test /= 255

# 输出0-9转换为ont-hot形式
y_train = np_utils.to_categorical(y_train, n_classes)
y_test = np_utils.to_categorical(y_test, n_classes)

模型的加载

model=keras.models.load_model('./models/lenet5_weight.h5')

注意事项：

keras的每一个层有一个input和output属性，但是它是只针对单节点的层而言的哦，否则就不需要我们再自己编写输出函数了，

如果一个层具有单个节点 (i.e. 如果它不是共享层), 你可以得到它的输入张量、输出张量、输入尺寸和输出尺寸:

layer.input
layer.output
layer.input_shape
layer.output_shape

如果层有多个节点 (参见: 层节点和共享层的概念), 您可以使用以下函数:

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、获取某一个层的输出的方法定义

3.1 第一种实现方法

def get_output_function(model,output_layer_index):
'''
model: 要保存的模型
output_layer_index：要获取的那一个层的索引
'''
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

# 现在仅仅测试一张图片
#选择一张图片,选择第一张
x= np.expand_dims(x_test[1],axis=0) #[1,28,28,1] 的形状

get_feature=get_output_function(model,6) # 该函数的返回值依然是一个函数哦，获取第6层输出

feature=get_feature(x) # 相当于调用 定义在里面的inner函数
print(feature)
'''运行结果为
[[-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 ]]
'''

但是上面的实现方法似乎不是很简单，还有更加简单的方法，思想来源与keras中，可以将整个模型model也当成是层layer来处理，实现如下面。

3.2 第二种实现方法

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')

#选择一张图片,选择第一张
x= np.expand_dims(x_test[1],axis=0) #[1,28,28,1] 的形状

# 将模型作为一个层，输出第7层的输出
layer_model = Model(inputs=model.input, outputs=model.layers[6].output)

feature=layer_model.predict(x)

print(feature)
'''运行结果为：
[[-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 ]]
'''

可见和上面的结果是一样的，

总结：

由于keras的层与模型之间实际上的转化关系，所以提供了非常灵活的输出方法，推荐使用第二种方法获得某一个层的输出。总结为以下几个主要的步骤（四步走）：

import keras
import numpy as np
from keras.datasets import mnist
from keras.models import Model

# 第一步：准备输入数据
x= np.expand_dims(x_test[1],axis=0) #[1,28,28,1] 的形状

# 第二步：加载已经训练的模型
model=keras.models.load_model('./models/lenet5_weight.h5')

# 第三步：将模型作为一个层，输出第7层的输出
layer_model = Model(inputs=model.input, outputs=model.layers[6].output)

# 第四步：调用新建的“曾模型”的predict方法，得到模型的输出
feature=layer_model.predict(x)

print(feature)

来源：https://blog.csdn.net/qq_27825451/article/details/93378950