Python 用Pytorch提取自动编码器隐藏层的特征

我跟随训练一个自动编码器

训练进行得很顺利。接下来，我感兴趣的是从隐藏层（编码器和解码器之间）提取特征

---

我该怎么做呢？

最干净、最直接的方法是添加创建部分输出的方法——这甚至可以在经过训练的模型上事后完成

from torch import Tensor

class AE(nn.Module):
    def __init__(self, **kwargs):
        ...

    def encode(self, features: Tensor) -> Tensor:
        h = torch.relu(self.encoder_hidden_layer(features))
        return torch.relu(self.encoder_output_layer(h))

    def decode(self, encoded: Tensor) -> Tensor:
        h = torch.relu(self.decoder_hidden_layer(encoded))
        return torch.relu(self.decoder_output_layer(h))

    def forward(self, features: Tensor) -> Tensor:
        encoded = self.encode(features)
        return self.decode(encoded)

现在，只需使用相应的输入张量调用encode，就可以查询编码器隐藏状态的模型

如果您不想向基类添加任何方法（我不明白为什么），您也可以编写一个外部函数：

def get_encoder_state(model: AE, features: Tensor) -> Tensor:
   return torch.relu(model.encoder_output_layer(torch.relu(model.encoder_hidden_layer(features))))

---

非常感谢你。因此，在类：def encode（self，features）：activation=self.encoder\u hidden\u layer（features）activation=torch.relu（activation）code=self.encoder\u output\u layer（activation）code=torch.relu（code）return code中添加此函数正确吗，培训结束后，如何调用我的函数和经过培训的模型来提取特征？这是正确的：隐藏的特征=模型。编码（我的输入）

输出=模型（批处理特征）

保持原样（它仍然提供重构的输入）。对于隐藏功能，

hidden_features=model.encode（input）

应该可以工作！