Keras 모델의 특정 레이어에서 활성화를 추출하는 방법은 무엇입니까?

Keras에서 각 레이어의 출력을 얻는 방법

심층 신경망(DNN)으로 작업할 때 개별 레이어의 활성화를 검사하는 것이 유용한 경우가 많습니다. 이는 모델의 동작을 이해하고 잠재적인 문제를 식별하는 데 도움이 될 수 있습니다. 널리 사용되는 Python용 DNN 라이브러리인 Keras는 이를 달성하는 간단한 방법을 제공합니다.

모델 레이어 인터페이스 사용

Keras 모델은 일련의 레이어로 구성되며 각 레이어는 특정 작업을 수행합니다. 입력. 특정 레이어의 출력을 검색하려면 다음 구문을 사용할 수 있습니다.

model.layers[index].output

여기서 index는 출력을 추출하려는 레이어의 인덱스입니다. 예를 들어, 제공된 코드 조각에서 두 번째 컨벌루션 레이어의 출력을 얻으려면:

conv_output = model.layers[2].output

모든 레이어에서 출력 가져오기

모델의 모든 레이어에서 출력을 추출하려면 다음을 수행합니다. 목록 이해를 사용할 수 있습니다:

outputs = [layer.output for layer in model.layers]

평가 생성 함수

레이어의 출력을 실제로 평가하기 위해 Keras는 K.function이라는 함수 세트를 제공합니다. 이 함수는 텐서 목록을 입력으로 받아 출력 목록을 반환합니다.

각 레이어 출력에 대한 평가 함수를 생성하려면 다음을 수행할 수 있습니다.

from keras import backend as K

functors = [K.function([inp, K.learning_phase()], [out]) for out in outputs]

여기서 inp는 입력 텐서인 K.learning_phase()는 모델이 훈련 모드인지 추론 모드인지를 나타내는 플래그이고 out은 텐서의 출력입니다. layer.

계층 출력 평가

이제 입력 데이터를 해당 평가 함수에 전달하여 계층 출력을 평가할 수 있습니다.

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

K를 설정하는 것을 기억하세요. 학습을 시뮬레이션하기 위해 모델의 레이어에 드롭아웃 또는 배치 정규화가 포함된 경우 learning_phase()를 1로 설정합니다. mode.

프로세스 최적화

레이어 출력을 평가하는 보다 효율적인 접근 방식은 모든 레이어에 대한 출력 목록을 반환하는 단일 함수를 사용하는 것입니다.

from keras import backend as K

functor = K.function([inp, K.learning_phase()], outputs)

이를 통해 개별 함수 평가와 관련된 데이터 전송 및 계산 오버헤드가 줄어듭니다.

위 내용은 Keras 모델의 특정 레이어에서 활성화를 추출하는 방법은 무엇입니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!