Extrahieren letzten Schichten keras Modell als submodel

Question

Sagen wir ein Faltungs neuronales Netz M. habe ich Eigenschaften von Bildern unter Verwendung

extractor = Model(M.inputs, M.get_layer('last_conv').output) 
features = extractor.predict(X) 

extrahieren Wie kann ich das Modell zu bekommen, die Klassen mit features vorhersagen ?

Ich kann die folgenden Zeilen nicht verwenden, da die Eingabe des Modells ein Platzhalter sein muss.

predictor = Model([M.get_layer('next_layer').input], M.outputs) 
pred = predictor.predict(features) 

Ich kann auch K.function nicht verwenden, weil später ich es als Teil eines anderen Modells verwenden möchten, so werde ich appliyng Prädiktor tf.tensor, nicht np.array sein.

Answer 1

Dies ist nicht die schönste Lösung, aber es funktioniert:

from keras.models import Sequential 
from keras.layers import Conv2D, MaxPooling2D 
from keras.layers import Dense, Dropout, Flatten 

def cnn(): 
    model = Sequential() 
    model.add(Conv2D(32, kernel_size=(3, 3), 
        activation='relu', 
        input_shape=(28, 28, 1), name='l_01')) 
    model.add(Conv2D(64, (3, 3), activation='relu', name='l_02')) 
    model.add(MaxPooling2D(pool_size=(2, 2), name='l_03')) 
    model.add(Dropout(0.25, name='l_04')) 
    model.add(Flatten(name='l_05')) 
    model.add(Dense(128, activation='relu', name='l_06')) 
    model.add(Dropout(0.5, name='l_07')) 
    model.add(Dense(10, activation='softmax', name='l_08')) 
    return model 

def predictor(input_shape): 
    model = Sequential() 
    model.add(Flatten(name='l_05', input_shape=(12, 12, 64))) 
    model.add(Dense(128, activation='relu', name='l_06')) 
    model.add(Dropout(0.5, name='l_07')) 
    model.add(Dense(10, activation='softmax', name='l_08')) 
    return model 

cnn_model = cnn() 
cnn_model.save('/tmp/cnn_model.h5') 

predictor_model = predictor(cnn_model.output.shape) 
predictor_model.load_weights('/tmp/cnn_model.h5', by_name=True) 

Answer 2

Es hängt davon ab, was Sie tun möchten.

• Wenn Sie sich danach Merkmalsausleser wegzuwerfen
• Wenn Sie auf die Ausbildung der Feature-Extraktor später

planen Wenn Sie die extrahierten Merkmale verwenden wollen, aber sie haben nicht die Absicht das Modell auf die Ausbildung verwendet, um sie zu erzeugen, könnte man die Methode vorherzusagen, verwenden Sie die Funktion nutzen zu können, wie Sie tat:

features = extractor.predict(X) 

dann seine Ausgabe in eine Datei (np.save speichern oder cPickle oder was auch immer). Danach können Sie dieses neue Dataset als Eingabe für ein neues Modell verwenden.

Wenn Sie auf die Ausbildung der Feature-Extraktor erst später müssen Sie die beiden Netzwerke stapeln, wie mit vgg als Feature-Extraktor hier gesehen https://github.com/fchollet/keras/issues/4576:

img_width, img_height = 150, 150 
vgg16_model = VGG16(include_top=False, weights='imagenet') 

input = Input(batch_shape=vgg16_model.output_shape) 
x = GlobalAveragePooling2D()(input) 
x = Dense(256, activation='relu')(x) 
x = Dropout(0.5)(x) 
predict = Dense(1, activation='sigmoid')(x) 
top_model = Model(input, predict) 

top_model.load_weights(os.path.join(data_path, 'VGG16Classifier.hdf5')) 

input = Input(shape=(3, img_width, img_height)) 
x = vgg16_model(input) 
predict = top_model(x) 
model = Model(input, predict) 

PS: In diesem Beispiel wird Kanäle erste Bestellung. Wenn Sie verwenden tensorflow Sie die Form ändern sollte formen = (img_width, img_height, 3)