Python 当使用模型作为特征提取器时,深度学习模型(DenseNet-121)的哪一层用作输出
我很难决定或确定densenet-121(精细调整模型)的哪一层用于特征提取 我有以下模型(基于DenseNet-121,但我添加了一个分类层,因为我已经训练它将图像分类为7类)。以下是我的模型的最后几层:Python 当使用模型作为特征提取器时,深度学习模型(DenseNet-121)的哪一层用作输出,python,tensorflow,deep-learning,feature-extraction,image-classification,Python,Tensorflow,Deep Learning,Feature Extraction,Image Classification,我很难决定或确定densenet-121(精细调整模型)的哪一层用于特征提取 我有以下模型(基于DenseNet-121,但我添加了一个分类层,因为我已经训练它将图像分类为7类)。以下是我的模型的最后几层: 然而,我很难确定使用哪一层(BatchNormalization或relu)。我想要一个len(4096)的向量。两层的输出是否有差异?建议使用哪一个?如果要进行分类,则需要密集的_3层作为模型输出。批量标准化层和relu层各自产生一个形状输出(2,21024)。4096是未进行分类的层的
然而,我很难确定使用哪一层(BatchNormalization或relu)。我想要一个len(4096)的向量。两层的输出是否有差异?建议使用哪一个?如果要进行分类,则需要密集的_3层作为模型输出。批量标准化层和relu层各自产生一个形状输出(2,21024)。4096是未进行分类的层的可训练参数数。我在做特征提取。该模型已用于分类。但我想得到图像的特征表示(向量)。