Keras, ¿Cómo obtener la salida de cada capa?

He entrenado un modelo de clasificación binaria con CNN, y aquí está mi código

model = Sequential()
model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1],
                        border_mode='valid',
                        input_shape=input_shape))
model.add(Activation('relu'))
model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1]))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=pool_size))
# (16, 16, 32)
model.add(Convolution2D(nb_filters*2, kernel_size[0], kernel_size[1]))
model.add(Activation('relu'))
model.add(Convolution2D(nb_filters*2, kernel_size[0], kernel_size[1]))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=pool_size))
# (8, 8, 64) = (2048)
model.add(Flatten())
model.add(Dense(1024))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(2))  # define a binary classification problem
model.add(Activation('softmax'))

model.compile(loss='categorical_crossentropy',
              optimizer='adadelta',
              metrics=['accuracy'])
model.fit(x_train, y_train,
          batch_size=batch_size,
          nb_epoch=nb_epoch,
          verbose=1,
          validation_data=(x_test, y_test))

Y aquí, quiero obtener la salida de cada capa al igual que TensorFlow, ¿cómo puedo hacer eso?

Puede obtener fácilmente los resultados de cualquier capa utilizando: model.layers[index].output

Para todas las capas, use esto:

from keras import backend as K

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

# Testing
test = np.random.random(input_shape)[np.newaxis,...]
layer_outs = [func([test, 1.]) for func in functors]
print layer_outs

Nota: para simular el uso de la deserción learning_phasecomo 1.de lo layer_outscontrario, use0.

Editar: (basado en comentarios)

K.function crea funciones de tensor de flujo de teano / tensor que luego se utilizan para obtener la salida del gráfico simbólico dada la entrada.

Ahora K.learning_phase()se requiere como entrada ya que muchas capas de Keras como Dropout / Batchnomalization dependen de él para cambiar el comportamiento durante el entrenamiento y el tiempo de prueba.

Entonces, si elimina la capa de abandono en su código, simplemente puede usar:

from keras import backend as K

inp = model.input                                           # input placeholder
outputs = [layer.output for layer in model.layers]          # all layer outputs
functors = [K.function([inp], [out]) for out in outputs]    # evaluation functions

# Testing
test = np.random.random(input_shape)[np.newaxis,...]
layer_outs = [func([test]) for func in functors]
print layer_outs

Edición 2: más optimizado

Me acabo de dar cuenta de que la respuesta anterior no está tan optimizada, ya que para cada evaluación de la función, los datos se transferirán CPU-> GPU y también los cálculos de tensor deben hacerse para las capas inferiores una y otra vez.

En cambio, esta es una manera mucho mejor, ya que no necesita múltiples funciones, sino una sola función que le proporciona la lista de todas las salidas:

from keras import backend as K

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, 1.])
print layer_outs

Desde https://keras.io/getting-started/faq/#how-can-i-obtain-the-output-of-an-intermediate-layer

Una forma simple es crear un nuevo modelo que genere las capas que le interesan:

from keras.models import Model

model = ...  # include here your original model

layer_name = 'my_layer'
intermediate_layer_model = Model(inputs=model.input,
                                 outputs=model.get_layer(layer_name).output)
intermediate_output = intermediate_layer_model.predict(data)

Alternativamente, puede construir una función Keras que devolverá la salida de una determinada capa dada una determinada entrada, por ejemplo:

from keras import backend as K

# with a Sequential model
get_3rd_layer_output = K.function([model.layers[0].input],
                                  [model.layers[3].output])
layer_output = get_3rd_layer_output([x])[0]

Basado en todas las buenas respuestas de este hilo, escribí una biblioteca para obtener el resultado de cada capa. Resume toda la complejidad y ha sido diseñado para ser lo más fácil de usar posible:

https://github.com/philipperemy/keract

Maneja casi todos los casos de borde

¡Espero eso ayude!

Lo siguiente me parece muy simple:

model.layers[idx].output

Arriba hay un objeto tensor, por lo que puede modificarlo mediante operaciones que se pueden aplicar a un objeto tensor.

Por ejemplo, para obtener la forma model.layers[idx].output.get_shape()

idx es el índice de la capa y puedes encontrarlo en model.summary()

Escribí esta función para mí (en Jupyter) y se inspiró en la respuesta de indraforyou . Trazará todas las salidas de capa automáticamente. Sus imágenes deben tener una forma (x, y, 1) donde 1 representa 1 canal. Simplemente llame a plot_layer_outputs (...) para trazar.

%matplotlib inline
import matplotlib.pyplot as plt
from keras import backend as K

def get_layer_outputs():
    test_image = YOUR IMAGE GOES HERE!!!
    outputs    = [layer.output for layer in model.layers]          # all layer outputs
    comp_graph = [K.function([model.input]+ [K.learning_phase()], [output]) for output in outputs]  # evaluation functions

    # Testing
    layer_outputs_list = [op([test_image, 1.]) for op in comp_graph]
    layer_outputs = []

    for layer_output in layer_outputs_list:
        print(layer_output[0][0].shape, end='\n-------------------\n')
        layer_outputs.append(layer_output[0][0])

    return layer_outputs

def plot_layer_outputs(layer_number):    
    layer_outputs = get_layer_outputs()

    x_max = layer_outputs[layer_number].shape[0]
    y_max = layer_outputs[layer_number].shape[1]
    n     = layer_outputs[layer_number].shape[2]

    L = []
    for i in range(n):
        L.append(np.zeros((x_max, y_max)))

    for i in range(n):
        for x in range(x_max):
            for y in range(y_max):
                L[i][x][y] = layer_outputs[layer_number][x][y][i]


    for img in L:
        plt.figure()
        plt.imshow(img, interpolation='nearest')

De: https://github.com/philipperemy/keras-visualize-activations/blob/master/read_activations.py

import keras.backend as K

def get_activations(model, model_inputs, print_shape_only=False, layer_name=None):
    print('----- activations -----')
    activations = []
    inp = model.input

    model_multi_inputs_cond = True
    if not isinstance(inp, list):
        # only one input! let's wrap it in a list.
        inp = [inp]
        model_multi_inputs_cond = False

    outputs = [layer.output for layer in model.layers if
               layer.name == layer_name or layer_name is None]  # all layer outputs

    funcs = [K.function(inp + [K.learning_phase()], [out]) for out in outputs]  # evaluation functions

    if model_multi_inputs_cond:
        list_inputs = []
        list_inputs.extend(model_inputs)
        list_inputs.append(0.)
    else:
        list_inputs = [model_inputs, 0.]

    # Learning phase. 0 = Test mode (no dropout or batch normalization)
    # layer_outputs = [func([model_inputs, 0.])[0] for func in funcs]
    layer_outputs = [func(list_inputs)[0] for func in funcs]
    for layer_activations in layer_outputs:
        activations.append(layer_activations)
        if print_shape_only:
            print(layer_activations.shape)
        else:
            print(layer_activations)
    return activations

Quería agregar esto como un comentario (pero no tengo el representante lo suficientemente alto) a la respuesta de @ indraforyou para corregir el problema mencionado en el comentario de @ mathtick. Para evitar la InvalidArgumentError: input_X:Y is both fed and fetched.excepción, simplemente reemplace la línea outputs = [layer.output for layer in model.layers]con outputs = [layer.output for layer in model.layers][1:], es decir

Adaptando el ejemplo de trabajo mínimo de indraforyou:

from keras import backend as K 
inp = model.input                                           # input placeholder
outputs = [layer.output for layer in model.layers][1:]        # all layer outputs except first (input) layer
functor = K.function([inp, K.learning_phase()], outputs )   # evaluation function

# Testing
test = np.random.random(input_shape)[np.newaxis,...]
layer_outs = functor([test, 1.])
print layer_outs

ps mis intentos de probar cosas como outputs = [layer.output for layer in model.layers[1:]]no funcionaron.

Asumiendo que tienes:

1- Keras pre-entrenado model.

2- Entrada xcomo imagen o conjunto de imágenes. La resolución de la imagen debe ser compatible con la dimensión de la capa de entrada. Por ejemplo, 80 * 80 * 3 para imágenes de 3 canales (RGB).

3- El nombre de la salida layerpara obtener la activación. Por ejemplo, la capa "flatten_2". Esto debe incluirse en la layer_namesvariable, representa el nombre de las capas de lo dado model.

4- batch_sizees un argumento opcional.

Entonces puede usar fácilmente la get_activationfunción para obtener la activación de la salida layerpara una entrada determinada xy pre-entrenado model:

import six
import numpy as np
import keras.backend as k
from numpy import float32
def get_activations(x, model, layer, batch_size=128):
"""
Return the output of the specified layer for input `x`. `layer` is specified by layer index (between 0 and
`nb_layers - 1`) or by name. The number of layers can be determined by counting the results returned by
calling `layer_names`.
:param x: Input for computing the activations.
:type x: `np.ndarray`. Example: x.shape = (80, 80, 3)
:param model: pre-trained Keras model. Including weights.
:type model: keras.engine.sequential.Sequential. Example: model.input_shape = (None, 80, 80, 3)
:param layer: Layer for computing the activations
:type layer: `int` or `str`. Example: layer = 'flatten_2'
:param batch_size: Size of batches.
:type batch_size: `int`
:return: The output of `layer`, where the first dimension is the batch size corresponding to `x`.
:rtype: `np.ndarray`. Example: activations.shape = (1, 2000)
"""

    layer_names = [layer.name for layer in model.layers]
    if isinstance(layer, six.string_types):
        if layer not in layer_names:
            raise ValueError('Layer name %s is not part of the graph.' % layer)
        layer_name = layer
    elif isinstance(layer, int):
        if layer < 0 or layer >= len(layer_names):
            raise ValueError('Layer index %d is outside of range (0 to %d included).'
                             % (layer, len(layer_names) - 1))
        layer_name = layer_names[layer]
    else:
        raise TypeError('Layer must be of type `str` or `int`.')

    layer_output = model.get_layer(layer_name).output
    layer_input = model.input
    output_func = k.function([layer_input], [layer_output])

    # Apply preprocessing
    if x.shape == k.int_shape(model.input)[1:]:
        x_preproc = np.expand_dims(x, 0)
    else:
        x_preproc = x
    assert len(x_preproc.shape) == 4

    # Determine shape of expected output and prepare array
    output_shape = output_func([x_preproc[0][None, ...]])[0].shape
    activations = np.zeros((x_preproc.shape[0],) + output_shape[1:], dtype=float32)

    # Get activations with batching
    for batch_index in range(int(np.ceil(x_preproc.shape[0] / float(batch_size)))):
        begin, end = batch_index * batch_size, min((batch_index + 1) * batch_size, x_preproc.shape[0])
        activations[begin:end] = output_func([x_preproc[begin:end]])[0]

    return activations

En caso de que tenga uno de los siguientes casos:

• error: InvalidArgumentError: input_X:Y is both fed and fetched
• caso de entradas múltiples

Debe hacer los siguientes cambios:

• agregar filtro para las capas de entrada en outputsvariable
• cambio menor en el functorsbucle

Ejemplo mínimo:

from keras.engine.input_layer import InputLayer
inp = model.input
outputs = [layer.output for layer in model.layers if not isinstance(layer, InputLayer)]
functors = [K.function(inp + [K.learning_phase()], [x]) for x in outputs]
layer_outputs = [fun([x1, x2, xn, 1]) for fun in functors]

Bueno, otras respuestas son muy completas, pero hay una forma muy básica de "ver", no de "obtener" las formas.

Solo haz un model.summary(). Imprimirá todas las capas y sus formas de salida. Los valores "Ninguno" indicarán dimensiones variables, y la primera dimensión será el tamaño del lote.