如何在 Keras 中获得张量值？

Question

我想比较两张图片。

我采用的方法是对它们进行编码。

然后计算两个编码向量之间的角度以进行相似性度量。

以下代码用于使用带有 Keras 的 CNN 对图像进行编码然后解码。

但是，我需要获取张量 encoded 的值。

如何实现？

非常感谢。

from keras.layers import Input, Dense, Conv2D, MaxPooling2D, UpSampling2D
from keras.models import Model
from keras import backend as K

input_img = Input(shape=(28, 28, 1))  
x = Conv2D(16, (3, 3), activation='relu', padding='same')(input_img)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(8, (3, 3), activation='relu', padding='same')(x)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(8, (3, 3), activation='relu', padding='same')(x)
encoded = MaxPooling2D((2, 2), padding='same')(x)
#----------------------------------------------------------------#
# How to get the values of the tensor "encoded"?                   #
#----------------------------------------------------------------#
x = Conv2D(8, (3, 3), activation='relu', padding='same')(encoded)
x = UpSampling2D((2, 2))(x)
x = Conv2D(8, (3, 3), activation='relu', padding='same')(x)
x = UpSampling2D((2, 2))(x)
x = Conv2D(16, (3, 3), activation='relu')(x)
x = UpSampling2D((2, 2))(x)
decoded = Conv2D(1, (3, 3), activation='sigmoid', padding='same')(x)

autoencoder = Model(input_img, decoded)
autoencoder.compile(optimizer='adadelta', loss='binary_crossentropy')

.....

autoencoder.fit(x_train, x_train,
                epochs=50,
                batch_size=128,
                shuffle=True,
                validation_data=(x_test, x_test),
                callbacks=[TensorBoard(log_dir='/tmp/autoencoder')])

Answer 1

如果我正确理解您的问题，您是否希望从卷积自动编码器中获得 128 维编码表示，用于图像比较？

您可以做的是在网络的编码器部分创建一个参考，训练整个自动编码器，然后使用编码器参考的权重对图像进行编码。

把这个：

self.autoencoder = autoencoder self.encoder = Model(inputs=self.autoencoder.input, outputs=self.autoencoder.get_layer('encoded').output)

autoencoder.compile()之后

并使用以下方法创建编码：

encoded_img = self.encoder.predict(input)

Answer 2

为了获得中间输出，您需要创建一个单独的模型，其中包含截至该点的计算图。在您的情况下，您可以：

encoder = Model(input_img, encoded)

使用autoencoder 完成训练后，您可以使用encoder.predict，它将返回中间编码结果。您还可以像保存任何其他模型一样单独保存模型，而不必每次都进行训练。简而言之，Model 是构建计算图的层的容器。