Mô hình của tôi được đào tạo về hình ảnh chữ số ( MNIST dataset). Tôi đang cố gắng in đầu ra của lớp thứ hai trong mạng của mình - một mảng gồm 128 số.

Sau khi đọc rất nhiều ví dụ - ví dụ này , và điều này , hoặc này .

Tôi đã không quản lý để làm điều này trên mạng riêng của tôi. Cả hai giải pháp đều hoạt động với thuật toán của riêng tôi.

Liên kết với Colab: https://colab.research.google.com/drive/1MLbpWJmq8JZB4_zKongaHP2o3M1FpvAv?fbclid=IwAR20xRz2i6sFS-Nm6Xwfk5hztdXOux9

Tôi đã nhận được rất nhiều thông báo lỗi khác nhau. Tôi đã cố gắng xử lý từng người trong số họ, nhưng không thể tự mình tìm ra.

Tôi đang thiếu gì? Làm thế nào để xuất lớp thứ hai? Nếu Hình dạng của tôi là (28,28)- loại & giá trị là input_shapegì?

Thử nghiệm & Lỗi không thành công, ví dụ:

(1)

for layer in model.layers:

    get_2nd_layer_output = K.function([model.layers[0].input],[model.layers[2].output])
    layer_output = get_2nd_layer_output(layer)[0]
    print('\nlayer output: get_2nd_layer_output=, layer=', layer, '\nlayer output: get_2nd_layer_output=', get_2nd_layer_output)

TypeError: đầu vào phải là một danh sách hoặc bộ dữ liệu.

(2)

input_shape=(28, 28)
inp = model.input                                           # input placeholder
outputs = [layer.output for layer in model.layers]          # all layer outputs
functor = K.function([inp, K.learning_phase()], outputs )   # evaluation function

# Testing
test = np.random.random(input_shape)[np.newaxis,...]
layer_outs = functor([test, 0.])
print('layer_outs',layer_outs)

tenorflow.python.framework.errors_impl.FailedPreconditionError: Lỗi trong khi đọc biến tài nguyên dense_1 / bias từ Container: localhost. Điều này có thể có nghĩa là biến không được khởi tạo. Không tìm thấy: Container localhost không tồn tại. (Không thể tìm thấy tài nguyên: localhost / dense_1 / bias) [[{{nút dense_1 / BiasAdd / ReadVariableOp}}]]

Có vẻ như bạn đang trộn các máy ảnh cũ (trước tenorflow 2.0 import keras:) và máy ảnh mới ( from tensorflow import keras).

Cố gắng không sử dụng máy ảnh cũ cùng với tenorflow> = 2.0 (và không tham khảo tài liệu cũ như trong liên kết đầu tiên của bạn), vì nó dễ bị nhầm lẫn với cái mới (mặc dù không có gì là phi logic):

from tensorflow import keras
from keras.models import Model
print(Model.__module__) #outputs 'keras.engine.training'

from tensorflow.keras.models import Model
print(Model.__module__) #outputs 'tensorflow.python.keras.engine.training'

Hành vi sẽ rất không ổn định trộn hai thư viện đó.

Khi điều này được thực hiện, sử dụng câu trả lời từ những gì bạn đã thử, là mô hình của bạn và my_input_shapelà hình dạng của mô hình đầu vào của bạn, tức là hình dạng của một hình ảnh (ở đây (28, 28) hoặc (1, 28, 28) nếu bạn có đợt):

from tensorflow import keras as K
my_input_data = np.random.rand(*my_input_shape) 
new_temp_model = K.Model(m.input, m.layers[3].output) #replace 3 with index of desired layer
output_of_3rd_layer = new_temp_model.predict(my_input_data) #this is what you want

Nếu bạn có một hình ảnh, imgbạn có thể viết trực tiếpnew_temp_model.predict(img)

(Giả sử TF2)

Tôi nghĩ rằng cách tiếp cận đơn giản nhất sẽ là đặt tên cho các lớp của bạn và sau đó gọi chúng với đầu vào tiêu chuẩn, để mô hình của bạn có thể trông giống như

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28), name='flatten'),
    keras.layers.Dense(128, activation='relu', name='hidden'),
    keras.layers.Dense(10, activation='softmax')
])

Sau đó, chỉ cần tạo một đầu vào và

my_input = tf.random.normal((1, 28, 28)) # Should be like the standard input to your network
output_of_flatten = model.get_layer('flatten')(my_input)
output_of_hidden = model.get_layer('hidden')(output_of_flatten)

output_of_hidden là những gì bạn đang tìm kiếm

Cách tiếp cận khác

Nếu bạn đang tìm kiếm một giải pháp tổng quát hơn, giả sử mô hình của bạn là tuần tự, bạn có thể sử dụng indextừ khóa get_layernhư thế này

my_input = tf.random.normal((1, 28, 28)) # Should be like the standard input to your network
desired_index = 1  # 1 == second layer

for i in range(desired_index):
    my_input = model.get_layer(index=i)(my_input)

Ở cuối vòng lặp này my_inputsẽ là những gì bạn đang tìm kiếm