在Keras中，CNN层结果与模型结果不同

Question

history = model.fit(x_spectro_train, y_train_onehot, batch_size=batch_size, epochs=training_epochs, validation_data =(x_spectro_test, y_test_onehot), shuffle=True, callbacks=callbacks_list,class_weight=class_weights, verbose=1)


model=load_model(model_name)
predict_prob_train = model.predict(x_spectro_train,batch_size=batch_size) 


inp = model.input                                           # input placeholder
outputs = [layer.output for layer in model.layers]          # all layer outputs
functors = [K.function([inp, K.learning_phase()], [out]) for out in outputs]    # evaluation functions
layer_outs = [func([x_spectro_train, 0.]) for func in functors] #test mode (0.0), train mode(1.0)

我想保存CNN图层输出。 我想用CNN层输出（不是概率）训练svm模型

因此，我使用了Keras, How to get the output of each layer?中的代码，并且看到了结果。

但是我的CNN层结果与model.predict结果不同。 我监视了val精度，保存了最佳模型并加载了该模型。 这是我模型的结构。 （下图）

enter image description here

我希望layer_outs [13]（最后一层）的结果与预测_prob_train相同。但是，结果不同。 （如下图所示）

enter image description here

为什么结果不同？

Answer 1

您在Conv层之后有7层（其中2层是Dense）。他们还学习东西，并且正在“做出决定”模型输出。

这样考虑：Conv输出一些内容，即Dense1-> Dense2的输入。所有这些层都在同时学习。因此，Dense1层的目标是了解Conv层在“试图告诉它”，以及如何解释Conv层的结果。如果将图像输入到此Dense1层，然后输入到Dense2层，则不会得到相同的结果（也不正确）。所有这些层都在共同努力，以获取正确的预测。

您不能隔离1层并期望得到正确的结果。