我想使用sklearn的MLPClassifier在数据fit之后，对神经网络的最终隐藏激活层输出进行一些测试。

例如，如果我创建一个分类器，假设数据为X_train，标签为y_train，并且有两个隐藏层，大小为(300,100)

clf = MLPClassifier(hidden_layer_sizes=(300,100))clf.fit(X_train,y_train)

我希望能够调用某个函数来检索长度为100的最终隐藏激活层向量，以便用于额外的测试。

假设有一个测试集X_test, y_test，正常的预测将会是：

preds = clf.predict(X_test)

但是，我希望能够做类似以下的事情：

activation_layers_for_all_X_test = clf.get_final_activation_output(X_test)

虽然存在如get_weights这样的函数，但那只能帮助我逐层操作。除了自己进行转换之外，还有没有其他方法可以检索最终隐藏层的激活输出？

以这个图表为例：

我想要的输出是Out Layer，即最终隐藏层的最终激活输出。

回答：

正如我在上面的评论中所说，看起来sklearn中没有一个函数可以完全满足你的需求，但是你可以很容易地修改_predict函数来实现你想要的功能。以下代码将返回所有激活，你可以编辑为return activations[-2]来获取你需要的那部分。

def get_activations(clf, X):        hidden_layer_sizes = clf.hidden_layer_sizes        if not hasattr(hidden_layer_sizes, "__iter__"):            hidden_layer_sizes = [hidden_layer_sizes]        hidden_layer_sizes = list(hidden_layer_sizes)        layer_units = [X.shape[1]] + hidden_layer_sizes + \            [clf.n_outputs_]        activations = [X]        for i in range(clf.n_layers_ - 1):            activations.append(np.empty((X.shape[0],                                         layer_units[i + 1])))        clf._forward_pass(activations)        return activations