https://www.laike.net/article-11-295083-0.html

使用K.function()调试keras操作

Keras的底层库使用Theano或TensorFlow，这两个库也称为Keras的后端。无论是Theano还是TensorFlow，都需要提前定义好网络的结构，也就是常说的“计算图”。

在运行前需要对计算图编译，然后才能输出结果。那这里面主要有两个问题，第一是这个图结构在运行中不能任意更改，比如说计算图中有一个隐含层，神经元的数量是100，你想动态的修改这个隐含层神经元的数量那是不可以的；第二是调试困难，keras没有内置的调试工具，所以计算图的中间结果是很难看到的，一旦最终输出跟预想不一致，很难找到问题所在。

分阶段构建你的神经网络

不要一口气把整个网络全部写完，这样很难保证中间结果的正确性。加如一个CNN文本分类模型是这样的（如下代码），应该在加了Embedding层后，停止，打印一下中间结果，看看跟embedding向量能不能对上，输出的shape对不对。对上了再进行下一步操作。

有的人觉得这样很浪费时间，但是除非你能一遍写对，否则你将花上5倍的时间发现错误。

# model parameters:
embedding_dims = 50
cnn_filters = 100
cnn_kernel_size = 5
dense_hidden_dims = 200
model = Sequential()
model.add(Embedding(nb_words,embedding_dims,input_length=maxlen))
model.add(Dropout(0.5))
model.add(Conv1D(cnn_filters, cnn_kernel_size,padding='valid', activation='relu'))
model.add(GlobalMaxPooling1D())
model.add(Dense(dense_hidden_dims))
model.add(Dropout(0.5))
model.add(Activation('relu'))
model.add(Dense(1))
model.add(Activation('sigmoid'))
return model

使用K.function()函数打印中间结果

function函数可以接收传入数据，并返回一个numpy数组。使用这个函数我们可以方便地看到中间结果，尤其对于变长输入的Input。

下面是官方关于function的文档。

function

keras.backend.function(inputs, outputs, updates=None)

实例化 Keras 函数。

参数

inputs: 占位符张量列表。

outputs: 输出张量列表。

updates: 更新操作列表。

**kwargs: 需要传递给 tf.Session.run 的参数。

输出值为 Numpy 数组。

异常

ValueError: 如果无效的 kwargs 被传入。

例子

下面这个例子是打印一个LSTM层的中间结果，值得注意的是这个LSTM的sequence是变长的，可以看到输出的结果sequence长度分别是64和128

import keras.backend as K
from keras.layers import LSTM, Input
import numpy as np
 
I = Input(shape=(None, 200)) 
lstm = LSTM(20, return_sequences=True)
f = K.function(inputs=[I], outputs=[lstm(I)])
 
data1 = np.random.random(size=(2, 64, 200)) 
print(f([data1])[0].shape)
 
data2 = np.random.random(size=(2, 128, 200)) 
print(f([data2])[0].shape)
 
K.clear_session()
 
# (2, 64, 20)
# (2, 128, 20)

其他的调试技巧

有频繁张量变换操作的，如dot, mat, reshape等等，记得加一行形状变化的注释，如（100， 128）--> (100, 64)

可以使用 tensorboard 查看网络的参数情况

确保你的数据没有问题，很多时候输出不对不是神经网络有问题，而是数据有问题

=========================================

from keras import backend as K

1.获取名为layer_name的层的输出
#指定输出层的名称
layer_1 = K.function([model.get_input_at(0)], [model.get_layer('layer_name').output])
f1 = layer_1([image_arr])[0]

2.获取第n层的输出
#指定输出层的序号（层号从0开始）
layer_1 = K.function([model.get_input_at(0)], [model.layers[5].output])
f1 = layer_1([image_arr])[0]

3.输入输出使用layer名称
pnet = K.function([pnet.layers['data']],[pnet.layers['conv4-2'], pnet.layers['prob1']])
rnet = K.function([rnet.layers['data']],[rnet.layers['conv5-2'], rnet.layers['prob1']])
onet = K.function([onet.layers['data']],[onet.layers['conv6-2'], onet.layers['conv6-3'], onet.layers['prob1']])

链接：https://blog.csdn.net/qq_43258953/article/details/105315476

=======================================

from keras import backend as K
from keras.models import load_model

models = load_model('models.hdf5')
image=r'image.png'
images=cv2.imread(r'image.png')
image_arr = process_image(image, (224, 224, 3))
image_arr = np.expand_dims(image_arr, axis=0)
layer_1 = K.function([base_model.get_input_at(0)], [base_model.get_layer('layer_name').output])
f1 = layer_1([image_arr])[0]

加载训练好并保存的网络模型

加载数据（图像），并将数据处理成array形式

指定输出层

将处理后的数据输入，然后获取输出

其中，K.function有两种不同的写法：

1. 获取名为layer_name的层的输出

layer_1 = K.function([base_model.get_input_at(0)], [base_model.get_layer(‘layer_name’).output]) #指定输出层的名称

2. 获取第n层的输出

layer_1 = K.function([model.get_input_at(0)], [model.layers[5].output]) #指定输出层的序号（层号从0开始）

https://cloud.tencent.com/developer/article/1725083

from keras import backend as K from keras.models import load_model models = load_model('models.hdf5') image=r'image.png' images=cv2.imread(r'image.png') image_arr = process_image(image, (224, 224, 3)) image_arr = np.expand_dims(image_arr, axis=0) layer_1 = K.function([base_model.get_input_at(0)], [base_model.get_layer('layer_name').output]) f1 = layer_1([image_arr])[0]

中间层keras function layers

embedding layers keras tf

526互联

keras.layers. K.function 用法(keras提取中间层的输出)

使用K.function()调试keras操作