Model saya dilatih pada gambar digit ( MNIST dataset). Saya mencoba untuk mencetak output dari lapisan kedua dari jaringan saya - sebuah array dari 128 angka.

Setelah membaca banyak contoh - misalnya ini , dan ini , atau ini .

Saya tidak berhasil melakukan ini di jaringan saya sendiri. Tidak ada solusi yang bekerja dengan algoritma saya sendiri.

Tautan ke Colab: https://colab.research.google.com/drive/1MLbpWJmq8JZB4_zKongaHP2o3M1FpvAv?fbclid=IwAR20xRz2i6sFS-Nm6Xwfk5hztdXOuxAgAxXXAgX

Saya menerima banyak pesan kesalahan yang berbeda. Saya mencoba menangani mereka masing-masing, tetapi tidak dapat menemukannya sendiri.

Apa yang saya lewatkan? Bagaimana cara mengeluarkan lapisan kedua? Jika Bentuk saya (28,28)- apa yang harus menjadi jenis & nilai input_shape?

Uji coba & Kesalahan yang gagal misalnya:

(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: input harus berupa daftar atau tuple.

(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)

tensorflow.python.framework.errors_impl.FailedPreconditionError: Kesalahan saat membaca variabel sumber daya dense_1 / bias dari Container: localhost. Ini bisa berarti bahwa variabel tersebut tidak diinisialisasi. Tidak ditemukan: Container localhost tidak ada. (Tidak dapat menemukan sumber daya: localhost / dense_1 / bias) [[{{node dense_1 / BiasAdd / ReadVariableOp}}]]

Sepertinya Anda mencampur keras lama (sebelum tensorflow 2.0:) import kerasdan keras baru ( from tensorflow import keras).

Cobalah untuk tidak menggunakan keras lama bersama tensorflow> = 2.0 (dan tidak merujuk pada dokumentasi lama seperti di tautan pertama Anda), karena mudah bingung dengan yang baru (meskipun tidak ada yang benar-benar tidak masuk akal):

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'

Perilaku akan sangat tidak stabil mencampurkan kedua perpustakaan itu.

Setelah ini dilakukan, gunakan jawaban dari apa yang Anda coba, m menjadi model Anda, dan my_input_shapemenjadi bentuk input model Anda yaitu bentuk satu gambar (di sini (28, 28) atau (1, 28, 28) jika Anda memiliki batch):

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

Jika Anda memiliki satu gambar, imgAnda dapat langsung menulisnew_temp_model.predict(img)

(Mengasumsikan TF2)

Saya pikir pendekatan yang paling mudah adalah memberi nama layer Anda, dan kemudian menyebutnya dengan input standar, sehingga model Anda mungkin terlihat seperti

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')
])

Maka cukup buat input dan

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 adalah apa yang kamu cari

Pendekatan alternatif

Jika Anda mencari solusi yang lebih umum, dengan asumsi model Anda berurutan, Anda dapat menggunakan indexkata kunci get_layerseperti ini

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)

Pada akhir dari loop ini my_inputharus apa yang Anda cari