Python 如何打印Tensorflow V2 keras模型的所有激活形状（比summary（）更详细）？

我花了很多时间研究Tensorflow v.0和v.1，现在我正在尝试Tensorflow v.2 keras模型

model.summary（）

看起来简单方便，但缺少细节

这里有一个玩具的例子。假设我定义自定义层和模型如下（一个函数式API样式和一个子类syle）

请看下面。我想在自定义层中查看基本层，但

.summary（）

仅显示浅层信息（仅显示直接子层）

玩具自定义层（层只是玩具定义）：

将tensorflow导入为tf
从tensorflow进口keras
从tensorflow.keras.layers导入（稠密、Conv2D、批次标准化）
LayerA类（tf.keras.layers.Layer）：
定义初始值（自身、数值输出，**kwargs）：
超级（LayerA，self）。\uuuuu初始值（**kwargs）
self.num\u输出=num\u输出
self.dense1=密集（64）
self.dense2=密集（128）
self.dense3=密集（num_输出）
self.bn=批量标准化（可训练=真）
def调用（自我、输入、训练=真）：
x=自密度1（输入）
x=自我.bn（x，培训=培训）
x=自密度1（输入）
x=自我.bn（x，培训=培训）
x=自密度1（输入）
x=自我.bn（x，培训=培训）
返回x
类别LayerB（tf.keras.layers.Layer）：
定义初始值（自身、数值输出，**kwargs）：
超级（LayerB，self）。\uuuuu初始值（**kwargs）
self.num\u输出=num\u输出
self.densed=稠密（64）
self.bn=批量标准化（可训练=真）
def调用（自我、输入、训练=真）：
x=自密实（输入）
x=自我.bn（x，培训=培训）
返回x

带有功能API的模型定义：

inputs=tf.keras.Input（shape=（28），name='Input'）
x=LayerA（7，name='layer_a'）（输入）
x=LayerB（13，name='layer_b'）（x）
x=tf.reduce_max（x，1）
model_func=keras.model（输入=输入，输出=x，name='model'）
模型函数摘要（）
#结果:
#层（类型）输出形状参数
# =================================================================
#输入（InputLayer）[（无，28）]0
# _________________________________________________________________
#a层（LayerA）（无，64）2112
#b层（b层）（无，64层）4416
#tf_op_layer_Max_1（TensorFlo[（无），）]0
# =================================================================
#总参数：6528
#可培训参数：6272
#不可培训参数：256

模型定义子类化：

A类模型（tf.keras.Model）：
定义初始化（自）：
超级（ModelA，self）。\uuuu init\uuuuu（）
self.block_1=LayerA（7，name='layer_a'）
self.block_2=LayerB（13，name='layer_b'）
def呼叫（自我，输入）：
x=自块_1（输入）
x=自块2（x）
x=tf.reduce_max（x，1）
返回x
model_subclass=ModelA（）
y=模型_子类（输入）
模型_子类摘要（）
###结果:
#层（类型）输出形状参数
# =================================================================
#a层（LayerA）（无，64）2112
#b层（b层）（无，64层）4416
# =================================================================
#总参数：6528
#可培训参数：6016
#不可训练参数：512

如何打印模型中

Conv

和

Dense

层的所有激活形状？例如

layer_a/dense_1                          (None, ...)
layer_a/dense_2                          (None, ...)
layer_b/dense_1                          (None, ...)
layer_b/maybe-even-deeper-layer/conv2d_1 (None, ...)
... etc ...

在Tensorflow v.0或v.1中，我将执行以下操作：

for n in tf.get_default_graph().as_graph_def().node:
    print(n.name, n.shape)

---

当我有keras模型时，有没有办法打印更多细节？

摘要不会自动执行此操作，因此您必须进行调整

例如，您可以创建经常性摘要：

def full_summary(layer):

    #check if this layer has layers
    if hasattr(layer, 'layers'):
        print('summary for ' + layer.name)
        layer.summary()
        print('\n\n')

        for l in layer.layers:
            full_summary(l)

将其用作：

full_summary(my_model)

---

我只知道你可以把

LayerA

和

LayerB

作为子模型，然后你可以使用像

model\u func.get\u layer（'layer\u a'）.summary（）

，但可能不是你想要的。有

.summary（）吗

keras层的方法？不确定，但您始终可以将这些自定义层转换为

模型

。每个

模型

都是

层

。