我想检查mask应用于张量后的值。
这是模型的部分截图。我设置temp = x，这样我稍后可以打印temp来检查具体的值。
假设我们有一个使用声学特征的4类分类模型，数据格式为(1000,50,136)，分别代表(批次，时间步，特征)。
我们的目标是检查模型是否按时间步学习特征。换句话说，我们希望确认模型是通过如图中红色矩形所示的切片方式学习的。从逻辑上讲，这是Keras LSTM层的处理方式，但当参数改变时（例如，Dense层的单元数），生成的混淆矩阵差异很大。验证准确率保持在45%，因此我们希望可视化模型。
提议的想法是打印出第一批次的第一步，并打印模型中的输入。如果它们相同，那么模型是以正确的方式学习的（一次处理(136,1)个特征），而不是一次处理单个特征的(50,1)个时间步。
input_feature = Input(shape=(X_train.shape[1],X_train.shape[2]))x = Masking(mask_value=0)(input_feature)temp = xx = Dense(Dense_unit,kernel_regularizer=l2(dense_reg), activation='relu')(x) 我尝试过tf.print()，但得到了AttributeError: 'Tensor' object has no attribute '_datatype_enum'的错误
如Lescurel在获取非最终Keras模型层的输出中建议的。
model2 = Model(inputs=[input_attention, input_feature], outputs=model.get_layer('masking')).outputprint(model2.predict(X_test))AttributeError: 'Masking' object has no attribute 'op'回答：
您想在掩码后输出。Lescurel在评论中的链接展示了如何做到这一点。这个GitHub链接也是如此。
您需要创建一个新模型，
- 输入来自您的模型的输入
- 输出来自该层的输出
我用从您的代码片段中衍生的虚拟代码进行了测试。
import numpy as npfrom keras import Inputfrom keras.layers import Masking, Densefrom keras.regularizers import l2from keras.models import Sequential, ModelX_train = np.random.rand(4,3,2)Dense_unit = 1dense_reg = 0.01mdl = Sequential()mdl.add(Input(shape=(X_train.shape[1],X_train.shape[2]),name='input_feature'))mdl.add(Masking(mask_value=0,name='masking'))mdl.add(Dense(Dense_unit,kernel_regularizer=l2(dense_reg),activation='relu',name='output_feature'))mdl.summary()mdl2mask = Model(inputs=mdl.input,outputs=mdl.get_layer("masking").output)maskoutput = mdl2mask.predict(X_train)mdloutput = mdl.predict(X_train)maskoutput # 打印掩码后的输出mdloutput # 打印模型的输出maskoutput.shape #(4, 3, 2): 掩码层的形状与之前的层（这里是输入）相同mdloutput.shape #(4, 3, 1): Dense层的输出形状