我的模型训练有数字图像（MNIST dataset）。我正在尝试打印网络第二层的输出-128个数字的数组。

在阅读了很多示例之后-例如this，this，this。

我没有在自己的网络上执行此操作。我自己的算法都无法使用这两种解决方案。

链接到Colab：https ://colab.research.google.com/drive/1MLbpWJmq8JZB4_zKongaHP2o3M1FpvAv ? fbclid = IwAR20xRz2i6sFS-Nm6Xwfk5hztdXOuxY4tZaDRXxAx3b986Toa9

我收到了很多不同的错误消息。我试图处理它们中的每一个，但我自己无法解决。

我想念什么？如何输出第二层？ 如果我的形状是(28,28)-的类型和值应该是什么input_shape？

试用失败和错误，例如：

（1）

for layer in model.layers:

    get_2nd_layer_output = K.function([model.layers[0].input],[model.layers[2].output])
    layer_output = get_2nd_layer_output(layer)[0]
    print('\nlayer output: get_2nd_layer_output=, layer=', layer, '\nlayer output: get_2nd_layer_output=', get_2nd_layer_output)

TypeError：输入应为列表或元组。

（2）

input_shape=(28, 28)
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

# Testing
test = np.random.random(input_shape)[np.newaxis,...]
layer_outs = functor([test, 0.])
print('layer_outs',layer_outs)

tensorflow.python.framework.errors_impl.FailedPreconditionError：从容器：本地主机读取资源变量density_1 / bias时出错。这可能意味着该变量未初始化。找不到：容器lo​​calhost不存在。（找不到资源：localhost / dense_1 / bias）[[{{node density_1 / BiasAdd / ReadVariableOp}}]]]

看起来您正在混合旧的keras（在tensorflow 2.0：之前import keras）和新的keras（from tensorflow import keras）。

尽量不要在tensorflow> = 2.0旁边使用旧的keras（并且不要像第一个链接中那样参考旧的文档），因为它很容易与新的keras混淆（尽管严格地说是不合逻辑的）：

from tensorflow import keras
from keras.models import Model
print(Model.__module__) #outputs 'keras.engine.training'

from tensorflow.keras.models import Model
print(Model.__module__) #outputs 'tensorflow.python.keras.engine.training'

混合这两个库的行为将非常不稳定。

完成此操作后，使用您尝试的答案，即为模型，并my_input_shape为模型的形状输入，即一张图片的形状（此处为（28，28）或（1，28，28）（如果有）批次）：

from tensorflow import keras as K
my_input_data = np.random.rand(*my_input_shape) 
new_temp_model = K.Model(m.input, m.layers[3].output) #replace 3 with index of desired layer
output_of_3rd_layer = new_temp_model.predict(my_input_data) #this is what you want

如果您只有一张图片img，可以直接写new_temp_model.predict(img)

（假设TF2）

我认为最直接的方法是命名图层，然后使用标准输入进行调用，因此您的模型可能看起来像

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28), name='flatten'),
    keras.layers.Dense(128, activation='relu', name='hidden'),
    keras.layers.Dense(10, activation='softmax')
])

然后只需创建一个输入并

my_input = tf.random.normal((1, 28, 28)) # Should be like the standard input to your network
output_of_flatten = model.get_layer('flatten')(my_input)
output_of_hidden = model.get_layer('hidden')(output_of_flatten)

output_of_hidden 是您要寻找的

替代方法

如果你正在寻找一个更通用的解决方案，假设你的模型是连续的，你可以使用index的关键字get_layer这样

my_input = tf.random.normal((1, 28, 28)) # Should be like the standard input to your network
desired_index = 1  # 1 == second layer

for i in range(desired_index):
    my_input = model.get_layer(index=i)(my_input)

在此循环的结尾my_input应该是您要寻找的