Question

我训练了模型并保存了它：

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.models import Model
from tensorflow.keras.preprocessing.image import load_img
from tensorflow.keras.preprocessing.image import img_to_array

new_model=tf.keras.models.load_model('the_model.h5')
new_model.summary()

img = load_img('e.jpg',target_size=(227,227))
img=img_to_array(img)

img = np.expand_dims(img,axis=0)
img=img/255.
print(img.shape)
#prints out (1,227,227,3) the expected shapes

所以我的模型的架构是以下架构，我正在使用预训练的resnet50

backbone = ResNet50(input_shape=(227,227,3),weights='imagenet', include_top=False)
    model = Sequential()
    model.add(backbone)
    model.add(GlobalAveragePooling2D())
    model.add(Dropout(0.5))
    model.add(Dense(64,activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(1,activation='sigmoid'))

我尝试可视化隐藏层的输出，但是使用keras或keract时，我无法获得输出

与喀拉拉邦：

layer_outputs=[]
for layer in new_model.layers:
    if layer.name=='resnet50':
        temp = [l.output for l in layer.layers]
        layer_outputs=temp
    else:
        layer_outputs.append(layer.output)
    

activation_model = Model(inputs=new_model.input,  outputs=layer_outputs)

最后一行引起的错误：

ValueError: Graph disconnected: cannot obtain value for tensor Tensor("input_1:0", shape=(None, 227, 227, 3), dtype=float32) at layer "input_1". The following previous layers were accessed without issue: []

我觉得我的模型输入与 layer_outputs 匹配，所以我不太了解错误，确实是在检查时：

print(new_model.layers[0].input)
#prints out    :Tensor("input_1:0", shape=(None, 227, 227, 3), dtype=float32)

print(layer_outputs[0])
#prints out :  Tensor("input_1:0", shape=(None, 227, 227, 3), dtype=float32)

使用keract时：

a = keract.get_activations(new_model, img)  # with just one sample.
keract.display_activations(a, directory='f', save=True)

tensorflow.python.framework.errors_impl.InvalidArgumentError:  You must feed a value for placeholder tensor 'input_1' with dtype float and shape [?,227,227,3]

关于如何解决它的任何想法，或者使用预先训练的模型从隐藏层获取输出的另一种可行解决方案？

谢谢

Answer 1

Okey，我找到了解决问题的简便方法。

实际上，我认为出现此问题是因为我的顺序模型本身是由另一个模型（resnet）组成的。

由于我没有在预训练的resnet模型上添加很多图层，所以我决定从resnet模型中可视化特征图

img = load_img('e.jpg',target_size=(227,227))
img=img_to_array(img)

img = np.expand_dims(img,axis=0)
img=img/255.
print(img.shape)



loaded=tf.keras.models.load_model('age_gender_train.h5')


layer_outputs=[ layer.output for layer in loaded.layers[0].layers]
res = loaded.layers[0]

activation_model = Model(inputs=res.input, outputs=layer_outputs)
activations=activation_model.predict(img)
img = np.squeeze(img,axis=0)

然后，您可以使用 activations 变量轻松显示要素地图。

请注意，由于您具有resnet模型的输出，因此可以通过重复此过程从顶层的图层中获取要素图。使用resnet的输出作为输入，并从 layer_outputs 中删除resnet模型。（我没有尝试过，无法使用）

希望它可以帮助某人

使用预先训练的模型对输出层进行CNN可视化

1 个答案: