使用 keras 在各个层上应用卷积

Question

我有一个预训练的 VGG16 网络，并使用迁移学习修改了 PASCAL VOC 2012 数据集的网络。现在，我想从修改后的 VGG16 网络中获取每一层的输出，并在每一层上应用卷积，然后将它们上采样到相同的大小并添加它们。这是为了识别图像中的重要区域。我已经从每一层获取了输出

output = [layer.output for layer in model.layers]

现在我想要类似的东西

hypercolumns = []

for op in output:

            #apply convolution on this output layer 

            #upsample it to the size of the input image

            #store this in hypercolumns list

最后，在对所有层进行上采样后，我将从列表中添加它们以获得单个矩阵。现在，我对如何在不创建模型和进行上采样的情况下应用卷积感到困惑。keras有没有办法。

Answer 1

有几种方法可以实现这一点，其中一些在 Keras FAQ中列出。我不知道那里列出的两种主要方式之间有任何显着差异，因此请尝试两种方式，看看有什么用。这是您可以执行的操作的示例：input = model.layers[0].inputfor op in output:    intermediate_function = K.function([input], [output])    layer_output = intermediate_function([YOUR_INPUT_DATA_HERE])[0]    # do the upsampling and stuff here