在预测测试映像时，尝试获取每个层的输出，但是将错误的输入张量输入到函数必须来自`tf.keras.Input`。
在预测测试映像时，尝试获取每个层的输出，但是将错误的输入张量输入到函数必须来自`tf.keras.Input`。
提问于 2021-05-14 17:20:59
我试图用TensorFlow和Keras在Python中进行图像识别。请看我的代码，在下面的链接，我提供了，因为我面临的另一个问题，同样的代码，现在是固定的。
getting error while predicting a test image - cannot reshape array of size
我按照post Keras, How to get the output of each layer?获得每个层的输出，并使用下面的代码
from keras import backend as K
inp = model.input # input placeholder
outputs = [layer.output for layer in model.layers[:12]] # all layer outputs except first (input) layer
functor = K.function([inp, K.learning_phase()], outputs ) # evaluation function
# Testing
test = numpy.random.random(input_shape)[np.newaxis,...]
layer_outs = functor([test, 1.])
print (layer_outs)然而，我得到了以下错误：
ValueError: Input tensors to a Functional must come from `tf.keras.Input`. Received: 0 (missing previous layer metadata).有人能帮我得到图像的每一层的输出吗?我正在对它进行预测，这是一个新的图像，而不是网络训练的一部分？
回答 1
Stack Overflow用户
发布于 2022-04-19 05:31:55
如果您可以按以下方式定义您的模型，那么您将不会得到上述特定错误：
model = Sequential([
tf.keras.Input(shape=(X_train.shape[1:])),
Conv2D(32, (3, 3), padding='same', activation='relu'),
Conv2D(32, (3, 3), activation='relu', padding='same'),
Dropout(0.2),
BatchNormalization(),
Conv2D(64, (3, 3), padding='same', name='test1', activation='relu'),
MaxPooling2D(pool_size=(2, 2)),
Dropout(0.2),
BatchNormalization(),
Conv2D(64, (3, 3), padding='same', name='test2', activation='relu'),
MaxPooling2D(pool_size=(2, 2)),
Dropout(0.2),
BatchNormalization(),
Conv2D(128, (3, 3), padding='same', name='test3',activation='relu'),
Dropout(0.2),
BatchNormalization(),
Flatten(),
Dropout(0.2),
Dense(256, kernel_constraint=maxnorm(3),activation='relu'),
Dropout(0.2),
BatchNormalization(),
Dense(128, kernel_constraint=maxnorm(3),activation='relu'),
Dropout(0.2),
BatchNormalization(),
Dense(class_num,activation='softmax')
])现在，要从模型中获取每个定义层的输出值，请检查如下：
from tensorflow.keras import backend as K
for index, layer in enumerate(model.layers):
func = K.function([model.get_layer(index=0).input], layer.output)
layerOutput = func([X_test])
print(layerOutput.shape) # to check each layer output, remove .shape输出：
(10000, 28, 28, 32)
(10000, 28, 28, 32)
(10000, 28, 28, 32)
(10000, 28, 28, 32)
(10000, 28, 28, 64)
(10000, 14, 14, 64)
(10000, 14, 14, 64)
(10000, 14, 14, 64)
(10000, 14, 14, 64)
(10000, 7, 7, 64)
(10000, 7, 7, 64)
(10000, 7, 7, 64)
(10000, 7, 7, 128)
(10000, 7, 7, 128)
(10000, 7, 7, 128)
(10000, 6272)
(10000, 6272)
(10000, 256)
(10000, 256)
(10000, 256)
(10000, 128)
(10000, 128)
(10000, 128)
(10000, 10)要提取一个特定层的输出值，可以使用以下代码：
feature_extractor = keras.Model(
inputs=model.inputs,
outputs=model.get_layer(name="test1").output)
features = feature_extractor(X_test)
features.shape
features输出：
TensorShape([10000, 28, 28, 64])
<tf.Tensor: shape=(10000, 28, 28, 64), dtype=float32, numpy=
array([[[[0.00000000e+00, 0.00000000e+00, 0.00000000e+00, ...,
0.00000000e+00, 0.00000000e+00, 0.00000000e+00],
[0.00000000e+00, 0.00000000e+00, 0.00000000e+00, ..
.
.
.页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/67538470
复制相关文章
相似问题
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号