在Keras中使用CNN时如何提取图像的特征向量

我正在做一个二进制分类问题，我的模型架构如下

def CNN_模型（高度、宽度、深度）：
输入_形状=（高度、宽度、深度）
模型=顺序（）
#第一区
add（Conv2D（64，内核大小=（3，3），步幅=1，激活='relu'，输入形状=输入形状，填充='VALID'））
add（Conv2D（64，内核大小=（3，3），步幅=1，activation='relu'，padding='VALID'））
add（MaxPooling2D（池大小=（2,2）））
#第2区
add（Conv2D（128，内核大小=（3，3），步幅=1，激活='relu'，填充='VALID'））
add（Conv2D（128，内核大小=（3，3），步幅=1，激活='relu'，填充='VALID'））
添加（平均池2D（池大小=（19,19）））
#FC=>RELU层集
model.add（展平（））
模型.添加（密度（128））
添加（激活（'relu'））
添加（BatchNormalization（））
添加（密集（num_类，activation='softmax'））
model.compile（loss=keras.loss.binary_交叉熵，
optimizer=keras.optimizers.Adadelta（），
指标=[‘准确度’]）
返回模型

这里最简单的方法是删除密集层

我将用一个反例来回答这个问题，该反例具有相似的图层，但输入形状不同：

以下是所有层的输出模型体系结构：

这里还列出了特征向量：

示例中使用的图像：

第二种方法用于在使用函数Api而不是Sequencial（）时使用

一个更有用的步骤是功能的可视化，我打赌很多人都想看到计算机上看到的东西，并且只演示“展平”层输出（最好说网络）：

和魔法：

visualize_stock(img_data)

注：从输入形状=（530700,3）更改为输入形状=（84,84,3），以便更好地为公众可视化

---

附言：决定发布这样的帖子，任何有这类问题的人都会从中受益（最近也遇到了同样的问题）。

这里最简单的方法是删除稠密层

我将用一个反例来回答这个问题，该反例具有相似的图层，但输入形状不同：

以下是所有层的输出模型体系结构：

这里还列出了特征向量：

示例中使用的图像：

第二种方法用于在使用函数Api而不是Sequencial（）时使用

一个更有用的步骤是功能的可视化，我打赌很多人都想看到计算机上看到的东西，并且只演示“展平”层输出（最好说网络）：

和魔法：

visualize_stock(img_data)

注：从输入形状=（530700,3）更改为输入形状=（84,84,3），以便更好地为公众可视化

---

附言：决定发布这样的帖子，任何有此类问题的人都可以从中受益（最近也遇到了同样类型的问题）。

我不确定我是否理解你的问题。一个选择是：创建模型，然后编译模型，然后在模型之前输出图层（我认为最好是在展平层之前获得，因为展平只会得到一个包含所有内容的向量）。您也可以尝试查看FC池输出，这将根据您的数据为您提供许多向量。第二个选项：构建一个模型以展平层，对每个图像进行编译并使用predict来获取该图像的功能（您可能需要迭代所有图像以获取所有功能）。model.add（AveragePoolig2D（池大小=（19,19））#FC=>RELU层模型集。添加（展平（）.#这部分是所有fratures向量所在的位置。如果您进行测试和工作，请让我知道，并将其作为答案写入。我不确定我是否理解您的问题。一个选项：创建模型，然后编译模型，然后只输出模型之前的层（我认为最好是在展平层之前获得，因为展平只会得到一个包含所有内容的向量）。您也可以尝试查看FC池输出，这将根据您的数据为您提供许多向量。第二个选项：构建一个模型以展平层，对每个图像进行编译并使用predict来获取该图像的功能（您可能需要迭代所有图像以获取所有功能）。model.add（AveragePoolig2D（池大小=（19，19））#FC=>RELU layers model.add（flatte（））。#这部分是所有碎片向量所在的位置。如果您进行测试和工作，请告诉我，并将作为答案书写。

def visualize_stock(img_data):
    plt.figure(1, figsize=(25, 25))
    stock = np.squeeze(img_data, axis=0)
    print(stock.shape)
    plt.imshow(stock)

visualize_stock(img_data)