我想评估一个模型，同时还要捕获倒数第二层的激活。我使用this answer作为解决方案。我使用pen_ulti_activs = layer_outs[-2]访问倒数第二次激活。
但是要再次检查该解决方案是否真的有效，我在代码中放了一个断言，通过比较从{{返回的最后一层激活）来验证functor的激活是否与model.predict的激活匹配1}}，数组从functor返回。断言失败了。所以我想我误解了链接答案的预期用途。
model.predict因此：为什么from keras import backend as K
def evaluate_model(model, test_gen):
inp = model.input # input placeholder
outputs = [layer.output for layer in model.layers] # all layer outputs
functor = K.function([inp, K.learning_phase()], outputs ) # evaluation function
for inputs, targets in test_gen:
layer_outs = functor([inputs, 1.])
predictions = layer_outs[-1]
predictions_ = model.predict(inputs)
assert(np.allclose(predictions, predictions_))
和predictions不相等？ predictions_是否应该返回最后一层的输出？毕竟model.predict返回最后一层的输出。
答案 0 :(得分：1)
您不会提供太多有关模型的详细信息，因此只能猜测。一种可能性是，您正在使用softmax交叉熵进行分类，在这种情况下，最后一层通常会输出（未标准化的）对数，而predict()将softmax应用于此输出以返回标准化的概率。