我在研究一些深度学习技术时，发现了一种不使用反向传播的方法（https://arxiv.org/abs/1706.02480）。这种方法的基本思路是训练浅层单隐藏层，丢弃输出层，并在已训练的（第一个）隐藏层与新的输出层之间添加另一个隐藏层。重复这个过程（添加和训练），直到满足某些标准。我试图使用sklearn提供的MLP分类器来实现这种方法。我面临的问题是如何获取隐藏层的输出。例如，如果我使用

mlp = MLPClassifier()mlp.predict(data)

，它会给我整个网络的输出。然而，我需要的是网络隐藏层的子输出。为了说明这一点：

输入 –> 连接1（权重） –> 隐藏层 –> 连接2（权重） –> 输出 (–> 预测)

我目前需要的不是输出预测，而是从隐藏层（隐藏层与连接2之间）出来的结果。我知道隐藏层（连接1和隐藏层之间）的输入可以通过

np.matmul(data, mlp.coefs_[0]) + mlp.intercepts_[0]

来计算。有什么方法可以获取隐藏层的结果吗？

回答：

你误解了这些概念的含义。

输入是你传入的数据。

第一个隐藏层由模型参数 W₁ 和 b₁ 组成。

隐藏层的输出是 f(W₁^Tx + b₁)，其中 f 是你的激活函数。

这随后成为第二个隐藏层的输入，该层由模型参数 W₂ 和 b₂ 组成。依此类推……

所以，准确地说

from sklearn.neural_network._base import ACTIVATIONSACTIVATIONS['relu'](np.matmul(data, mlp.coefs_[0]) + mlp.intercepts_[0]))

就是你要找的。