Python 是否可以从一半的UNet中提取特征？_Python_Tensorflow_Keras_Neural Network_Feature Extraction

Python 是否可以从一半的UNet中提取特征？

python tensorflow keras neural-network

Python 是否可以从一半的UNet中提取特征？,python,tensorflow,keras,neural-network,feature-extraction,Python,Tensorflow,Keras,Neural Network,Feature Extraction,我有一个3D UNet，我训练了几千年，现在我想在一个类似的数据集上做一些聚类。但是，首先我想将卷分解为一个功能集数组，并对功能而不是体积数组执行聚类。我想从conv3d_9（conv3d）是否可以仅从UNet的下半部分提取特征以提取这些特征假设您已经训练了模型，您可以使用函数式API来实现这一点比如说, from tensorflow.keras.models import Model feature_extraction_model = Model(inputs= model.inp

我有一个3D UNet，我训练了几千年，现在我想在一个类似的数据集上做一些聚类。但是，首先我想将卷分解为一个功能集数组，并对功能而不是体积数组执行聚类。我想从

conv3d_9（conv3d）

是否可以仅从UNet的下半部分提取特征以提取这些特征

假设您已经训练了模型，您可以使用函数式API来实现这一点

比如说,

from tensorflow.keras.models import Model
feature_extraction_model = Model(inputs= model.inputs, outputs=model.layers[-18].output)
features_prediction = feature_extraction_model(input_3d_image)

请注意，

-18

是

conv3d_9

的索引，您可以通过下面显示的索引或名称获得中间层

feature=model.get_层（'conv3d_9d'））

你能试试吗？我也对结果感兴趣。@Watanabe.N使用下面的方法，我能够使用我的unet的一半来提取特征。我必须迭代我的

input_3d_image

，一次预测一个卷的功能，然后展平并重新组合阵列进行聚类。是的，也许你可以最大化/平均化该功能