1.使用函数模型API，新建一个model，将输入和输出定义为原来的model的输入和想要的那一层的输出，然后重新进行predict.
1 #coding=utf-8 2 import seaborn as sbn 3 import pylab as plt 4 import theano 5 from keras.models import Sequential 6 from keras.layers import Dense,Activation 7 8 9 from keras.models import Model 10 11 model = Sequential() 12 model.add(Dense(32, activation='relu', input_dim=100)) 13 model.add(Dense(16, activation='relu',name="Dense_1")) 14 model.add(Dense(1, activation='sigmoid',name="Dense_2")) 15 model.compile(optimizer='rmsprop', 16 loss='binary_crossentropy', 17 metrics=['accuracy']) 18 19 # Generate dummy data 20 import numpy as np 21 #假设训练和测试使用同一组数据 22 data = np.random.random((1000, 100)) 23 labels = np.random.randint(2, size=(1000, 1)) 24 25 # Train the model, iterating on the data in batches of 32 samples 26 model.fit(data, labels, epochs=10, batch_size=32) 27 #已有的model在load权重过后 28 #取某一层的输出为输出新建为model，采用函数模型 29 dense1_layer_model = Model(inputs=model.input, 30 outputs=model.get_layer('Dense_1').output) 31 #以这个model的预测值作为输出 32 dense1_output = dense1_layer_model.predict(data) 33 34 print dense1_output.shape 35 print dense1_output[0] 36 37 38 2.因为我的后端是使用的theano，所以还可以考虑使用theano的函数： 39 #这是一个theano的函数 40 dense1 = theano.function([model.layers[0].input],model.layers[1].output,allow_input_downcast=True) 41 dense1_output = dense1(data) #visualize these images's FC-layer feature 42 print dense1_output[0] 效果应该是一样的。
---------------------
作者：哈哈进步
来源：CSDN
原文：https://blog.csdn.net/hahajinbu/article/details/77982721
版权声明：本文为博主原创文章，转载请附上博文链接！