我正在尝试创建一个简化的数据表示形式,我将在另一个模型中使用,然后按以下方式继续:
input = Input(shape=(70,))
encoded = Dense(output_dim=10, input_dim=70, activation='relu')(input)
decoded = Dense(70, activation='relu')(encoded)
autoencoder = Model(input, decoded)
autoencoder.compile(optimizer='adam', loss='binary_crossentropy')
autoencoder.fit(df_values, df_values,epochs=10,batch_size=32)
reduced_input = autoencoder.predict(df_values)
但是reduced_input
中仍然有100列,它们已经修改了值,即与初始input
中的值不同,但仍然没有像我预期的那样减少表示(如PCA)即使我指定了output_dim=10
我想在我获得减少的输入的某个方面有一个错误,但我没有看到确切的位置。如果你能帮我发现它,请!
答案 0 :(得分:1)
如果你想要第7层,那么:
output_func_Layer_7 = K.function([autoencoder.layers[0].input, K.learning_phase()],
[autoencoder.layers[7].output])
intermediate_output = output_func_Layer_7([X_train, False])