Python 从Keras序列模型中提取子网络

我训练了一个非常简单的自动编码器网络，类似于此示例：

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

model = keras.Sequential([
        layers.Dense(128, activation="relu"),
        layers.Dense(64, activation="relu"),
        layers.Dense(32, activation="relu"),
        layers.Dense(16, activation="relu"),
        layers.Dense(8, activation="relu", name="latent_space"),
        layers.Dense(16, activation="relu"),
        layers.Dense(32, activation="relu", name="decode_32"),
        layers.Dense(64, activation="relu"),
        layers.Dense(128, activation="sigmoid"),
        ])

model.compile(...)
model.fit(...)

# Extract subnetwork here after training

我想知道是否有可能将数据馈送到

潜在_空间

层，以便我可以随后从层

解码_32

提取激活？理想情况下，我希望在训练后以

潜在_空间

层作为输入层，以

解码_32

层作为输出层，裁剪

子网络。这可能吗？
符合你的问题吗

def extract_layers(main_model, starting_layer_ix, ending_layer_ix) :
  # create an empty model
  new_model = Sequential()
  for ix in range(starting_layer_ix, ending_layer_ix + 1):
    curr_layer = main_model.get_layer(index=ix)
    # copy this layer over to the new model
    new_model.add(curr_layer)
  return new_model 

如果您喜欢使用第一层和最后一层的名称选择子网络，则该方法还具有层名称的参数，但更简单的解决方案是使用
layer.name
参数检索要选择的层的索引

这样，您只需通过添加

layer_names = [layer.name for layer in main_model.layers]
starting_layer_ix = layer_names.index(starting_layer_name)
ending_layer_ix = layer_names.index(ending_layer_name)

应该返回
new\u model
而不是未定义的变量您是对的，我在原始代码中没有看到这个错误。谢谢你的指点@RandomGuy也可以传递图层的名称，而不必知道图层的索引吗？我已经编辑了我的答案，希望它现在更适合你