从 Keras Autoencoder 中的瓶颈层提取特征答案

【问题标题】：Extracting features from the bottleneck layer in Keras Autoencoder从 Keras Autoencoder 中的瓶颈层提取特征
【发布时间】：2018-05-08 06:06:51
【问题描述】：

我在过去几周依次向您询问自动编码器的内容。今天的问题如下；如何从瓶颈层获取特征？

我已经推荐了这个网站。 https://github.com/keras-team/keras/issues/2495

我收到的错误信息显示在这里；用户警告：更新您对 Keras 2 API 的 Model 调用：Model(inputs=[<tf.Tenso..., outputs=[<tf.Tenso...) 模型（输入=[输入]，输出=[中间层]）

另外，我尝试使用此方法提取特征（请参阅下面的链接），但它也不起作用。 https://keras.io/getting-started/faq/#how-can-i-obtain-the-output-of-an-intermediate-layer

任何 cmets 都应该有帮助。谢谢！

X = Input(shape=(37310,))

encoded = Dense(encoding_dim, activation='tanh')(X)
decoded = Dense(37310, activation='sigmoid')(encoded)

autoencoder = Model(X, decoded)   
encoded_input = Input(shape=(encoding_dim,))
decoder_layer = autoencoder.layers[-1]
decoder = Model(encoded_input, decoder_layer(encoded_input))

autoencoder.compile(optimizer='SGD', loss='mean_squared_error')

encoded1 = Dense(500, activation='tanh')(X)
encoded2 = Dense(100, activation='tanh')(encoded1)
encoded3 = Dense(50, activation='tanh')(encoded2)

decoded = Dense(100, activation='tanh')(encoded)
decoded = Dense(500, activation='tanh')(decoded)
decoded = Dense(37310, activation='sigmoid')(decoded)

autoencoder = Model(X, decoded)
autoencoder.compile(optimizer='SGD', loss='mean_squared_error')

autoencoder.fit(X_train, X_train,
            epochs=10,
            batch_size=100,
            shuffle=True,
            validation_data=(X_test, X_test))

model = Model(input=[X], output=[encoded3])

【问题讨论】：

这里没有问题。您收到的错误只是一个警告可以通过将最后一行更改为 model = Model(inputs=[X], outputs=[encoded3]) 来修复
哦……我的！非常感谢！

标签： keras feature-extraction autoencoder

【解决方案1】：

完整的代码是这样的

encoding_dim = 37310

input_layer = Input(shape=(encoding_dim,))

encoder = Dense(500, activation='tanh')(input_layer)
encoder = Dense(100, activation='tanh')(encoder)
encoder = Dense(50, activation='tanh', name='bottleneck_layer')(encoder)

decoder = Dense(100, activation='tanh')(encoder)
decoder = Dense(500, activation='tanh')(decoder)
decoder = Dense(37310, activation='sigmoid')(decoder)


# full model
model_full = models.Model(input_layer, decoder)

model_full.compile(optimizer='SGD', loss='mean_squared_error')

model_full.fit(X_train, X_train,
            epochs=10,
            batch_size=100,
            shuffle=True,
            validation_data=(X_test, X_test))

# bottleneck model
bottleneck_output = model_full.get_layer('bottleneck_layer').output
model_bottleneck = models.Model(inputs = model_full.input, outputs = bottleneck_output)

bottleneck_predictions = model_bottleneck.predict(X_inference)

【讨论】：