我对自编码器是新手。我已经构建了一个简单的卷积自编码器，如下所示：

# ENCODERinput_img = Input(shape=(64, 64, 1))encode1 = Conv2D(32, (3, 3), activation=tf.nn.leaky_relu, padding='same')(input_img) encode2 = MaxPooling2D((2, 2), padding='same')(encode1)l = Flatten()(encode2)l = Dense(100, activation='linear')(l)# DECODERd = Dense(1024, activation='linear')(l) d = Reshape((32,32,1))(d)decode3 = Conv2D(64, (3, 3), activation=tf.nn.leaky_relu, padding='same')(d) decode4 = UpSampling2D((2, 2))(decode3)model = models.Model(input_img, decode4)model.compile(optimizer='adam', loss='mse')# Train it by providing training imagesmodel.fit(x, y, epochs=20, batch_size=16)

现在，在训练了这个模型之后，我想获取瓶颈层（即全连接层）的输出。这意味着，如果我输入形状为(1000, 64, 64)的数组到模型中，我希望得到形状为(1000, 100)的压缩数组。

我尝试了一种方法，如下所示，但它出现了一些错误。

model = Model(inputs=[x], outputs=[l])

错误信息如下：

ValueError: Input tensors to a Functional must come from `tf.keras.Input`.

我还尝试了一些其他方法，但也未能成功。有人能告诉我如何在训练模型后获取压缩数组吗？

回答：

您需要为encoder创建一个独立的模型。在训练了整个encoder-decoder系统后，您可以仅使用encoder进行预测。代码示例如下：

# ENCODERinput_img = layers.Input(shape=(64, 64, 1))encode1 = layers.Conv2D(32, (3, 3), activation=tf.nn.leaky_relu, padding='same')(input_img) encode2 = layers.MaxPooling2D((2, 2), padding='same')(encode1)l = layers.Flatten()(encode2)encoder_output = layers.Dense(100, activation='linear')(l)# DECODERd = layers.Dense(1024, activation='linear')(encoder_output) d = layers.Reshape((32,32,1))(d)decode3 = layers.Conv2D(64, (3, 3), activation=tf.nn.leaky_relu, padding='same')(d) decode4 = layers.UpSampling2D((2, 2))(decode3)model_encoder = Model(input_img, encoder_output)model = Model(input_img, decode4)model.fit(X, y, epochs=20, batch_size=16)

model_encoder.predict(X)应该为每张图像返回一个向量。