Question

我是Keras的新人，但之前我曾使用纯粹的tensorflow。我正在尝试调试下面的一些网络（我只会复制一个片段。丢失函数，优化器等对我来说对于这段代码并不重要）

#Block 1 (Conv,relu,batch) starts with 800 x 400
main_input = LNN.Input(shape=((800,400,5)),name='main_input')
enc_conv1 = LNN.Convolution2D(8,3,padding='same',activation='relu')(main_input)
enc_bn1 = LNN.BatchNormalization(axis=1)(enc_conv1)

#Block 2 (Conv,relu,batch) starts with 400 x 200
maxp1_4 = LNN.MaxPooling2D(strides=2)(enc_bn1)
enc_conv2 = LNN.Convolution2D(16,3,padding='same',activation='relu')(maxp1_4)
enc_bn2 = LNN.BatchNormalization(axis=1)(enc_conv2)
enc_conv3 = LNN.Convolution2D(16,3,padding='same',activation='relu')(enc_bn2)
enc_bn3 = LNN.BatchNormalization(axis=1)(enc_conv3)
concat1_5 = LNN.concatenate(axis=3,inputs=[enc_bn3,maxp1_4])

我已经看到了一些示例，说明如何将每个操作添加到Sequential（）函数中（例如，使用add {）函数解释here。有没有办法检查输出每个层没有将它们添加到模型本身（因为它也可以使用Tensorflow，进行会话）？

Answer 1

最好是制作一个输出这些图层的模型：

modelToOutputAll = Model(main_input, [enc_conv1, enc_bn1, maxp1_4, enc_conv2, enc_bn2, enc_conv3, enc_bn3, concat1_5])

对于培训，请保留仅包含最终输出的模型：

modelForTraining = Model(main_input,concat1_5)

两个模型都使用完全相同的权重，因此训练一个改变另一个。你可以用每一个来做你目前所需要的。

使用modelForTraining.fit(xTrain,yTrain, ...)
使用modelToOutputAll.predict(xInput)

如何通过Sequential（）函数获取未连接的中间层的输出？

1 个答案: