Python 如何从密集层提取激活

我正在尝试为这个实现预处理代码（这里的代码）。预处理代码在本文中描述如下：

“卷积神经网络（Kim，2014）是 用于从转录本中提取文本特征 我们使用一个卷积函数 图层，然后是最大池和完全连接的图层，以获得特征表示 这个网络的输入是 300维预训练840B手套向量（Pennington等人，2014）。我们使用 尺寸分别为3、4和5，每个尺寸有50个要素地图 然后，将卷积的特征与 窗口大小为2，随后是ReLU激活（Nair和Hinton，2010）。然后将其连接并馈送至100维全连接层，该层的激活形成了话语的表示。该网络在 情感标签的话语水平。”

论文的作者指出，CNN特征提取代码可以在这篇文章中找到。然而，这段代码是为一个完整的模型，做序列分类。除了粗体部分外，它完成了上面引文中的所有内容（并进一步完成do分类）。我想编辑代码，以建立连接和饲料到100d层，然后提取激活。要训练的数据可以在repo（IMDB数据集）中找到

对于每个序列，输出应为（100，）张量

以下是CNN模型的代码：

import tensorflow as tf
import numpy as np


class TextCNN(object):
    """
    A CNN for text classification.
    Uses an embedding layer, followed by a convolutional, max-pooling and softmax layer.
    """
    def __init__(
      self, sequence_length, num_classes, vocab_size,
      embedding_size, filter_sizes, num_filters, l2_reg_lambda=0.0):

        # Placeholders for input, output and dropout
        self.input_x = tf.placeholder(tf.int32, [None, sequence_length], name="input_x")
        self.input_y = tf.placeholder(tf.float32, [None, num_classes], name="input_y")
        self.dropout_keep_prob = tf.placeholder(tf.float32, name="dropout_keep_prob")

        # Keeping track of l2 regularization loss (optional)
        l2_loss = tf.constant(0.0)

        # Embedding layer
        with tf.device('/cpu:0'), tf.name_scope("embedding"):
            self.W = tf.Variable(
                tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0),
                name="W")
            self.embedded_chars = tf.nn.embedding_lookup(self.W, self.input_x)
            self.embedded_chars_expanded = tf.expand_dims(self.embedded_chars, -1)

        # Create a convolution + maxpool layer for each filter size
        pooled_outputs = []
        for i, filter_size in enumerate(filter_sizes):
            with tf.name_scope("conv-maxpool-%s" % filter_size):
                # Convolution Layer
                filter_shape = [filter_size, embedding_size, 1, num_filters]
                W = tf.Variable(tf.truncated_normal(filter_shape, stddev=0.1), name="W")
                b = tf.Variable(tf.constant(0.1, shape=[num_filters]), name="b")
                conv = tf.nn.conv2d(
                    self.embedded_chars_expanded,
                    W,
                    strides=[1, 1, 1, 1],
                    padding="VALID",
                    name="conv")
                # Apply nonlinearity
                h = tf.nn.relu(tf.nn.bias_add(conv, b), name="relu")
                # Maxpooling over the outputs
                pooled = tf.nn.max_pool(
                    h,
                    ksize=[1, sequence_length - filter_size + 1, 1, 1],
                    strides=[1, 1, 1, 1],
                    padding='VALID',
                    name="pool")
                pooled_outputs.append(pooled)

        # Combine all the pooled features
        num_filters_total = num_filters * len(filter_sizes)
        self.h_pool = tf.concat(pooled_outputs, 3)
        self.h_pool_flat = tf.reshape(self.h_pool, [-1, num_filters_total])

        # Add dropout
        with tf.name_scope("dropout"):
            self.h_drop = tf.nn.dropout(self.h_pool_flat, self.dropout_keep_prob)

        # Final (unnormalized) scores and predictions
        with tf.name_scope("output"):
            W = tf.get_variable(
                "W",
                shape=[num_filters_total, num_classes],
                initializer=tf.contrib.layers.xavier_initializer())
            b = tf.Variable(tf.constant(0.1, shape=[num_classes]), name="b")
            l2_loss += tf.nn.l2_loss(W)
            l2_loss += tf.nn.l2_loss(b)
            self.scores = tf.nn.xw_plus_b(self.h_drop, W, b, name="scores")
            self.predictions = tf.argmax(self.scores, 1, name="predictions")

        # Calculate mean cross-entropy loss
        with tf.name_scope("loss"):
            losses = tf.nn.softmax_cross_entropy_with_logits(logits=self.scores, labels=self.input_y)
            self.loss = tf.reduce_mean(losses) + l2_reg_lambda * l2_loss

        # Accuracy
        with tf.name_scope("accuracy"):
            correct_predictions = tf.equal(self.predictions, tf.argmax(self.input_y, 1))
            self.accuracy = tf.reduce_mean(tf.cast(correct_predictions, "float"), name="accuracy")

---

我想连接到100d层以获得激活，我想在第59行（就在底部附近的

#Add Dropout

部分之前，然后注释掉它下面的其余部分）。我如何做到这一点？

您尝试实现的卷积神经网络是NLP领域的一个很好的基线。它是在本年首次引入的（Kim，2014）

我发现您报告的代码非常有用，但可能比我们需要的更复杂。我试图用简单的keras重写网络（我只错过正则化）

初始嵌入使用手套中学习的权重进行设置。您可以上传它们，也可以使用其他技术（Word2Vec或FastText）学习新的嵌入表示并上传它们。拟合将一如既往地进行计算

我强调，以上是该网络的原始表示。如果您想在输出之前插入一个100密度层，可以简单地用这种方式修改它（这里是a）：

为了提取我们感兴趣的特征，我们需要Dense100（我们称之为“提取器”）的输出。我还建议进行过滤和特征提取

extractor = Model(model.input, model.get_layer('extractor').output)
representation = extractor.predict(np.random.randint(0,200, (1000,50)))

---

表示法

将是一个形状数组（n_sample，100）

您尝试实现的卷积神经网络是NLP领域的一个很好的基线。它是在本年首次引入的（Kim，2014）

我发现您报告的代码非常有用，但可能比我们需要的更复杂。我试图用简单的keras重写网络（我只错过正则化）

初始嵌入使用手套中学习的权重进行设置。您可以上传它们，也可以使用其他技术（Word2Vec或FastText）学习新的嵌入表示并上传它们。拟合将一如既往地进行计算

我强调，以上是该网络的原始表示。如果您想在输出之前插入一个100密度层，可以简单地用这种方式修改它（这里是a）：

为了提取我们感兴趣的特征，我们需要Dense100（我们称之为“提取器”）的输出。我还建议进行过滤和特征提取

extractor = Model(model.input, model.get_layer('extractor').output)
representation = extractor.predict(np.random.randint(0,200, (1000,50)))

---

表示法

将是一个形状数组（n_示例，100）

感谢这一点，我正在努力让它运行，并且有很多版本错误。您成功地在哪些版本（tf、keras、python等）中运行了它？我有tf2.2，但它非常简单，它也可以在tf1或旧的keras版本中运行。哪种错误？我认为您报告的源代码比所需的更复杂，我还通过pip安装了TF2.2（以及keras 2.0 python 3.6）。我看到它是简单的，但我得到这个错误：202005-12:14:00：55.869085 TysFrace/Cyp/平台/ CPUPUTIORIGARYARGE.CC：143）您的CPU支持该TensorFlow binary未编译使用的指令：AVX2FMA 2020-05-12:14:00：55.911663 TysFult/编译器/XLA/Service /Service。CCC：168）XLA服务0x7FE034 EF2660初始化为平台主机（这不能保证XLA将被使用）。设备：2020-05-12 14:00:55.911694:I tensorflow/compiler/xla/service/service.cc:176]StreamExecutor设备（0）：主机，默认版本，谢谢。我通过下载一个自定义版本解决了这个问题…很奇怪。谢谢你，我正在努力让它运行，并且有很多版本错误。您成功地在哪些版本（tf、keras、python等）中运行了它？我有tf2.2，但它非常简单，它也可以在tf1或旧的keras版本中运行。哪种错误？我认为您报告的源代码比所需的更复杂，我还通过pip安装了TF2.2（以及keras 2.0 python 3.6）。我看到它很简单，但我得到这个错误：2020 05-12 14:00：55.869085 TysFule/Cyp/ Sturial/CpUPUTIORYARGAREST.CC：143）您的CPU支持TensorFlow binary未编译使用的指令：AVX2FMA 2020—05-12 14:00：55.911663：I TysFult/编译器/XLA / Service / Service。CC：168）XLA服务0x7FE034 EF2660初始化为平台主机（这不能保证XLA将被使用）。设备：2020-05-12 14:00:55.911694:I tensorflow/compiler/xla/service/service.cc:176]StreamExecutor设备（0）：主机，默认版本，谢谢。我通过下载一个定制版本解决了这个问题…很奇怪。

extractor = Model(model.input, model.get_layer('extractor').output)
representation = extractor.predict(np.random.randint(0,200, (1000,50)))