1.使用函數模型API，新建一個model，將輸入和輸出定義為原來的model的輸入和想要的那一層的輸出，然后重新進行predict.

1 #coding=utf-8 2 import seaborn as sbn 3 import pylab as plt 4 import theano 5 from keras.models import Sequential 6 from keras.layers import Dense,Activation 7 8 9 from keras.models import Model 10 11 model = Sequential() 12 model.add(Dense(32, activation='relu', input_dim=100)) 13 model.add(Dense(16, activation='relu',name="Dense_1")) 14 model.add(Dense(1, activation='sigmoid',name="Dense_2")) 15 model.compile(optimizer='rmsprop', 16 loss='binary_crossentropy', 17 metrics=['accuracy']) 18 19 # Generate dummy data 20 import numpy as np 21 #假設訓練和測試使用同一組數據 22 data = np.random.random((1000, 100)) 23 labels = np.random.randint(2, size=(1000, 1)) 24 25 # Train the model, iterating on the data in batches of 32 samples 26 model.fit(data, labels, epochs=10, batch_size=32) 27 #已有的model在load權重過后 28 #取某一層的輸出為輸出新建為model，采用函數模型 29 dense1_layer_model = Model(inputs=model.input, 30 outputs=model.get_layer('Dense_1').output) 31 #以這個model的預測值作為輸出 32 dense1_output = dense1_layer_model.predict(data) 33 34 print dense1_output.shape 35 print dense1_output[0] 36 37 38 2.因為我的后端是使用的theano，所以還可以考慮使用theano的函數： 39 #這是一個theano的函數 40 dense1 = theano.function([model.layers[0].input],model.layers[1].output,allow_input_downcast=True) 41 dense1_output = dense1(data) #visualize these images's FC-layer feature 42 print dense1_output[0]

?

效果應該是一樣的。

---------------------
作者：哈哈進步
來源：CSDN
原文：https://blog.csdn.net/hahajinbu/article/details/77982721
版權聲明：本文為博主原創文章，轉載請附上博文鏈接！

轉載于:https://www.cnblogs.com/as3asddd/p/10129241.html

總結

以上是生活随笔為你收集整理的Keras 获取中间某一层输出的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。