Python 如何从keras中间层（包括之前的所有层）获得预测

下面是keras常见问题解答示例[1]，我想澄清如何从中间层获得预测。假设我有几个密集的层，有辍学，例如

model = Sequential()
model.add(Dense(out_dim, input_dim=input_dim, name="layer1"))
model.add(LeakyReLU()) # or whatever activation you want to use
model.add(Dropout(0.5))
model.add(Dense(int_dim, name="layer2"))
.... # here we have activation, dropout, etc.
model.add(Dense(lat_dim, name="layerN"))
# at last we add sigmoid and yield probabilities
model.add(Dense(1))
model.add(Activation("sigmoid"))
model.summary()

而且，我有兴趣从layerN得到预测，包括之前的所有层。[1]推荐了几种方法，第一种是构建另一个模型，例如

new_model = Model(inputs=model.input,
                  outputs=model.get_layer("layerN").output)
output = new_model.predict(data)

我的问题是，新模型是采用输入向量，仅从“分层”中进行产量预测，还是将我的输入通过所有层（包括辍学等）传播到“分层”，然后生成预测？如果是前者，是否意味着我需要基本上构建新模型，将所有层作为原始层，直至“分层”

最好的， 瓦伦丁

---

[1]

是的，您必须构建一个模型，包括您想要作为输出的所有层，这不是自动完成的