Python 如何使用Keras获得k层后的激活？

注意：我已经读过了，但是没有帮助

我正在使用MNIST数据库使用Keras训练自动编码器无监督神经网络：

import keras, cv2
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.reshape(60000, 784).astype('float32') / 255.0
x_test = x_test.reshape(10000, 784).astype('float32') / 255.0

model = Sequential()
model.add(Dense(100, activation='sigmoid', input_shape=(784,)))
model.add(Dense(10, activation='sigmoid'))
model.add(Dense(100, activation='sigmoid'))
model.add(Dense(784, activation='sigmoid'))
model.compile(loss='mean_squared_error', optimizer='sgd')
history = model.fit(x_train, x_train, batch_size=1, epochs=1, verbose=0)

然后，当输入向量为

x_test[I]

时，我想获取输出向量：

for i in range(100):
    x = x_test[i]
    a = model(x)
    cv2.imshow('img', a.reshape(28,28))
    cv2.waitKey(0)

但我得到了这个错误：

层的所有输入都应该是张量

我应该如何修改此代码，在神经网络中对输入向量进行前向传递，并得到一个向量作为回报？

也就是说，如何在第二层之后获得激活？即在最后一层之前不传播，但在第二层之后获得输出。

---

示例：输入：大小为784的向量，输出：大小为10的向量要在完成需要使用的模型的训练后运行该模型。这将根据您的输入数据评估图形。请注意，输入数据的尺寸必须与指定的模型输入的尺寸相同，在您的情况下，该尺寸看起来是

[None，784]

。Keras不要求您指定批处理维度，但仍然需要一个2D数组。做点像

x = x_test[5]
x = x[numpy.newaxis,:]
out_val = model.predict(x)[0]

OutFunc = K.function([model.input], [model.layers[2].output])
out_val = OutFunc([x])[0]

如果您只想处理单个值

需要使用

numpy.newaxis

创建2D数组，从而匹配输入大小。如果传入一个值数组以同时计算所有值，则可以跳过此操作

使用Keras/Tensorflow，您的模型是一个图形/函数，而不是标准的python过程代码。你不能直接用数据调用它。您需要创建函数，然后调用函数。要从中间层获得输出，可以执行以下操作：

x = x_test[5]
x = x[numpy.newaxis,:]
out_val = model.predict(x)[0]

OutFunc = K.function([model.input], [model.layers[2].output])
out_val = OutFunc([x])[0]

---

同样，请记住输入上有一个批次维度，它将在输出中生成。如果您需要一些额外的示例，那么有很多关于从中间层获取数据的文章。例如，请参阅除公认答案之外的另一种方法：当

x

只是

（784，）

或

（784,1）

numpy数组时，我们可以使用以下方法：

model.predict([[x]]) 

---

使用double

[[…]]

谢谢@bivouac0，但即使使用

model.predict（[x]）

，它也不起作用（

ValueError:检查输入时出错：预期密集输入具有形状（784），但获得具有形状（1，）的数组

）。这里我的

x

是一个形状的numpy数组

（784，1）

，所以它不是

[None，784]

。我在@bivouac0找到了答案：当x只是一个（784，1）numpy数组时，我们应该使用这个：

模型。用双
[…]预测（[[x]]）

。关键是你必须用网络输入的正确形状的数据来预测。在数据变量周围添加一个括号，只需在数据中添加一个大小为1的维度。根据上面的代码，我不希望您需要二维。在输入之前，

x

的维度是多少？它应该是shape=（784），因为它是图像，对吗？

打印（x.shape）

：

（784，）

。使用

predict（[x]）

它不起作用。事实上，

x=x_测试[0]

，x_测试是通过

x_测试=x_测试来定义的。重塑（10000784）。astype（'float32'）/255.0

。你觉得怎么样？很有趣。显然，在某些时候，他们增加了支持多个输入模型的功能，现在您需要输入

predict

输入数据列表。文档并没有很好地说明这一点，但看看他们的代码，他们肯定是在数据上迭代，因此需要额外的一对括号。只是小心使用双括号技巧，因为它不适用于旧的Keras版本，我不会惊讶于在未来的版本中看到它的变化。

numpy.newaxis

方法可能更稳定。