Python 神经网络训练后如何提取图像的特征？

有没有一种方法可以从一组图像中学习无监督的特征。类似于

word2vec

或

doc2vec

，学习神经网络并给出新文档，我们可以得到它的特性

与此类似的是，它可以加载学习的神经网络模型并预测新图像的特征

有没有任何简单的例子，如何实现cnn的图像和得到他们的功能回来将有帮助

在此假设 如果我想为所有

X\u列车

和

X\u测试

获取cnn功能。。。有办法吗？ 此外，如果我们可以得到每层每幅图像的权重，我们可以将它们堆叠起来并用作特征。在这种情况下，有没有办法得到同样的结果。

---

如果我们把这些特征看作是向量，那么使用这些特征就更容易了。

< P>如果我正确地理解了你的问题，这个任务在一个很深的学习领域中是很常见的。在图像的情况下，我认为最好的是卷积自动编码器。您可以在此处阅读有关此架构的信息

以前版本的Keras支持将此架构作为核心层之一，但从版本1.0开始，我注意到它从文档中消失了。但是-从头开始构建它仍然很容易：）

在noimage情况下，还有另一种方法，如受限玻尔兹曼机器

更新：

从我个人的经验来看，对于从神经网络激活中获得新功能来说，什么样的激活是最好的，这取决于你使用的网络的大小。如果使用最后一层宽的网络（有很多节点），只得到最后一层可能是有用的（由于参数的数量，如果您还需要考虑先前的层——它可能会损害学习的性能）。但是-如果（像某些MNIST网络的情况）您的最后一层不足以完成此任务-您可以尝试使用之前的层激活，甚至所有网络活动。老实说，我并不期待这种情况会有多大的改善，但你可以试试。我认为您应该使用这两种方法——从只进行最后一层激活开始，然后在添加前一层激活时尝试检查新分类器的行为

---

我要强烈建议你们的是，从网络正在学习的功能中获得一些见解——使用T-SNE嵌入it激活。在许多情况下，我发现它很有用-例如，检查一层的大小是否足够。使用T-SNE，您可以检查从最后一层获得的特征是否是您的类的良好鉴别器。它还可以让你很好地洞察你的数据，了解神经网络真正在学习什么（以及惊人的可视化：）

谢谢@Marcin。。我会调查这份报纸的。我想了解的是，在word2vec中，删除最后一层，并将隐藏层权重作为特征。。。对于图像，这是否仍然有效，或者我们必须从所有层获取权重？关于keras v1.0有了重大的变化。。。我没有看到自动编码器也！酷。可视化是了解特定图层特征重要性的好方法。谢谢你的最新答案。我正在从浅层网络走向深层网络。。。因此有这么多问题！！再次感谢！！