Tensorflow 如何提取隐藏向量（第三个编码器层之后的ReLU输出）作为图像表示

我正在使用时尚Mnsit数据集实现一个自动编码器。编码器的代码-

class MNISTClassifier(Model):
    def __init__(self):
        super(MNISTClassifier, self).__init__()
        self.encoder = Sequential([
            layers.Dense(128, activation = "relu"),
            layers.Dense(64, activation = "relu"),
            layers.Dense(32, activation = "relu")
        ])
        
        self.decoder = Sequential([
            layers.Dense(64, activation = "relu"), 
            layers.Dense(128, activation= "relu"),
            layers.Dense(784, activation= "relu")
        ])
        
    def call(self, x):
        encoded = self.encoder(x)
        decoded = self.decoder(encoded)
        return decoded
    
autoencoder = MNISTClassifier()

现在我想根据从上述自动编码器中提取的图像表示来训练SVM分类器 一旦上述完全连接的自动编码器被训练，对于每个图像，我想提取32- 维度隐藏向量（第三个编码器层之后的ReLU输出）作为 图像表示，然后在32帧的基础上对时装mnist的训练图像进行线性SVM分类器的训练- 尺寸特征

如何提取输出32- 维隐向量

---

提前谢谢

我建议使用函数API来定义模型的多个输出，因为代码更清晰。但是，您可以通过获得所需任何层的输出并添加到模型的输出中，使用顺序模型来实现这一点

打印您的

model.summary（）

，并检查您的图层以找到要分支的图层。您可以使用

model.layers[index].output通过索引访问每一层的输出

然后可以创建所需图层的多输出模型，如下所示：

 third_layer = model.layers[2]
 last_layer = model.layers[-1]
 my_model = Model(inputs=model.input, outputs=(third_layer.output, last_layer.output))

然后，可以访问已定义的两个图层的输出：

third_layer_predict, last_layer_predict = my_model.predict(X_test)

您可以使用
enc\u outputs=classifier.encoder.predict（images）
其中
classifier
是
MNISTClassifier
的一个实例。如果我想要从任何中间层（如64个神经元层）输出，那么该怎么办