Mi modelo está entrenado en imágenes de dígitos ( MNIST dataset). Estoy tratando de imprimir la salida de la segunda capa de mi red: una matriz de 128 números.

Después de leer un montón de ejemplos - por ejemplo este , y esto , o esto .

No logré hacer esto en mi propia red. Ninguna de las soluciones funciona con mi propio algoritmo.

Enlace a Colab: https://colab.research.google.com/drive/1MLbpWJmq8JZB4_zKongaHP2o3M1FpvAv?fbclid=IwAR20xRz2i6sFS-Nm6Xwfk5hztdXOuxY4tZaDRXxAx3U98HT6

Recibí muchos mensajes de error diferentes. Traté de manejar cada uno de ellos, pero no pude resolverlo por mi cuenta.

¿Qué me estoy perdiendo? ¿Cómo dar salida a la segunda capa? Si mi forma es (28,28), ¿cuál debería ser el tipo y el valor de input_shape?

Pruebas fallidas y errores, por ejemplo:

(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: las entradas deben ser una lista o tupla.

(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: Error al leer la variable de recursos dense_1 / sesgo del Contenedor: localhost. Esto podría significar que la variable no fue inicializada. No encontrado: el contenedor localhost no existe. (No se pudo encontrar el recurso: localhost / dense_1 / bias) [[{{node dense_1 / BiasAdd / ReadVariableOp}}]]

Parece que está mezclando viejos keras (antes de tensorflow 2.0:) import kerasy nuevos keras ( from tensorflow import keras).

Intente no usar keras antiguas junto con tensorflow> = 2.0 (y no hacer referencia a la documentación antigua como en su primer enlace), ya que se confunde fácilmente con la nueva (aunque nada estrictamente ilógico):

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'

El comportamiento será altamente inestable al mezclar esas dos bibliotecas.

Una vez hecho esto, utilice una respuesta de lo que intentó, siendo su modelo y my_input_shapela forma de entrada de sus modelos, es decir, la forma de una imagen (aquí (28, 28) o (1, 28, 28) si tiene lotes):

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

Si tienes una imagen imgpuedes escribir directamentenew_temp_model.predict(img)

(Suponiendo TF2)

Creo que el enfoque más directo sería nombrar sus capas y luego llamarlas con una entrada estándar, para que su modelo se vea así

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')
])

Luego solo crea una entrada y

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 es lo que buscas

Enfoque alternativo

Si está buscando una solución más general, suponiendo que su modelo sea secuencial, puede usar la indexpalabra clave de get_layeresta manera

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)

Al final de este ciclo my_inputdebería ser lo que estás buscando