我想得到一个图像嵌入，以便了解网络认为哪些图像更接近，哪些图像差异很大。最初，我打算使用Keras中的Tensorboard回调函数，但文档对我来说不够清晰，我找不到任何有用的例子来复制它。因此，为了确保我理解自己在做什么，我更愿意自己创建嵌入。
为此，我计划下载已经在我的数据上训练好的模型，移除最后几层（最后的dropout层和dense层），并在验证图像上进行预测以获取与每个图像相关联的特征。然后，我将简单地对这些特征进行主成分分析（PCA），并根据它们的头三个主成分值绘制图像。
但我觉得我误解了某些东西，因为当我移除最后几层时，模型的预测结果仍然是类别数量的大小，但对我来说，它应该是最有一层的大小，在我的例子中是128。
下面是用于澄清的代码（我只放了似乎有助于回答问题的行，但如果需要更多细节，请随时询问）：
#model creationbase_model = applications.inception_v3.InceptionV3(include_top=False, weights='imagenet', pooling='avg', input_shape=(img_rows, img_cols, img_channel))#Adding custom Layersadd_model = Sequential()add_model.add(Dense(128, activation='relu',input_shape=base_model.output_shape[1:], kernel_regularizer=regularizers.l2(0.001)))add_model.add(Dropout(0.60))add_model.add(Dense(2, activation='sigmoid')) # creating the final modelmodel = Model(inputs=base_model.input, outputs=add_model(base_model.output))然后我在具有两个类的数据集上训练了模型，并加载了模型及其权重以生成特征：
model = load_model(os.path.join(ROOT_DIR,'model_1','model_cervigrams_all.h5'))#remove the last two layers#remove dense_2model.layers[-1].pop()#remove dropout_1model.layers[-1].pop()model.summary() # last alyer output shape is : (None, 128), so the removal worked#predictmodel.predict(np.reshape(image,[1,image.shape[0],image.shape[1],3])) #output only two values我哪里做错了？你有什么建议吗？
回答：
当使用Keras函数式API添加自定义层时的解决方案：
如果你使用Keras函数式API来添加你的自定义层，以下解决方案可以正常工作：
# base model creationbase_model = applications.inception_v3.InceptionV3(include_top=False, weights='imagenet', pooling='avg', input_shape=(150, 150, 3))# adding custom Layersx = Dense(128, activation='relu',input_shape=base_model.output_shape[1:], kernel_regularizer=regularizers.l2(0.001))(base_model.output)x = Dropout(0.60)(x)out = Dense(2, activation='sigmoid')(x)# creating the final modelmodel = Model(inputs=base_model.input, outputs=out)model.compile(loss='categorical_crossentropy', optimizer='adam')这是如何通过定义新模型来提取自定义层的激活值的方法：
# construct a new model to get the activations of custom layersnew_model = Model(model.inputs, [model.layers[-3].output, model.layers[-2].output, model.layers[-1].output])# predict one one random input sampleinp = np.random.rand(1, 150, 150, 3)output = new_model.predict([inp])# verify that's what we wantprint(output[0].shape) # shape of first dense layer output, prints: (1, 128) print(output[1].shape) # shape of dropout layer output, prints: (1, 128)print(output[2].shape) # shape of second dense layer output, prints: (1, 2)或者，你可以定义一个Keras函数：
from keras import backend as Kfunc = K.function(inputs=model.inputs + [K.learning_phase()], outputs=[model.layers[-3].output, model.layers[-2].output, model.layers[-1].output])# usage of the defined function: # the inputs should be a *list* of input arrays# plus 1 or 0 for the train/test modesample_input = np.random.rand(1, 150, 150, 3)# train modeoutput = func([sample_input, 1])# test modeouput = func([sample_input, 0])请注意，你需要使用K.learning_phase()，因为模型包含了在测试和训练模式下行为不同的层，如BatchNormalization和Dropout。
注意：上述解决方案在使用Sequential类添加自定义层时无法正常工作。这是因为在构建model时使用add_model(base_model.output)，整个add_model被存储为model的一个层。你可以通过运行model.summary()或print(model.layers[-1])来验证这一点。而且无法访问这个顺序模型中间层的输出。当然，你可以使用model.layers[-1].layers[1].output（这是dropout层）：
new_model = Model(model.inputs, model.layers[-1].layers[1].output)new_model.predict(...)然而，它会抱怨图形断开连接，因为顺序模型的原始输入没有被提供：
ValueError: Graph disconnected: cannot obtain value for tensor Tensor("dense_7_input:0", shape=(?, 2048), dtype=float32) at layer "dense_7_input". The following previous layers were accessed without issue: []实际上，我期望顺序模型的内部层（即model.layers[-1].layer[1:]）有额外的入站和出站节点，但似乎并非如此。我不知道我是否遗漏了什么，或者这是Keras中的一个错误或无法实现的功能。
附注：实际上，在模型对象的layers属性上使用pop()不起作用，因为你需要更新模型的一些内部属性（虽然，对于顺序模型，已经实现了一个内置的pop()方法）。
