通过 Keras 2.4.3 和 Tensorflow 2.2 从 SavedModel 中提取特征

Question

我想从我的 CNN 模型的最后一个密集层中提取特征。但是，我与我所做的所有谷歌研究非常矛盾。Tensorflow 有很多不同的方法，我正在努力寻找一些有用的方法。

我已经成功地在 CIFAR10 上训练了一个模型。我已将模型保存到一个目录并有一个 saved_model.pb 文件。我已经通过 tensorboard 可视化了模型，但不完全确定我的最后一层的名称。可视化看起来有点混乱。

我怎样才能继续提取这些特征？我想将它们用于 t-SNE 分析。

我正在尝试使用 gfile 加载 pb 图，但不确定这是否是正确的方法。谢谢。

import tensorflow.compat.v1 as tf

tf.disable_v2_behavior()

from tensorflow.python.platform import gfile

pb_graph_file = '../data/processed/saved_models/saved_model.pb'

f = gfile.GFile(pb_graph_file, 'rb')

graph_def = tf.GraphDef()

f.close()

我的 Keras Sequential 模型如下所示：

    """

    This is the CNN model's architecture

    """

    weight_decay = 1e-4

    model = Sequential()

    model.add(Conv2D(32, (3, 3), activation = 'relu', kernel_initializer = 'he_normal', kernel_regularizer = l2(weight_decay), padding = 'same', input_shape = (32, 32, 3)))

    model.add(BatchNormalization())

    model.add(Conv2D(32, (3, 3), activation = 'relu', kernel_initializer = 'he_normal', kernel_regularizer = l2(weight_decay), padding = 'same'))

    model.add(BatchNormalization())

    model.add(MaxPooling2D((2, 2)))

    model.add(Dropout(0.2))

    model.add(Conv2D(64, (3, 3), activation = 'relu', kernel_initializer = 'he_normal', kernel_regularizer = l2(weight_decay), padding='same'))

    model.add(BatchNormalization())

    model.add(Conv2D(64, (3, 3), activation = 'relu', kernel_initializer = 'he_normal', kernel_regularizer = l2(weight_decay), padding='same'))

    model.add(BatchNormalization())

    model.add(MaxPooling2D((2, 2)))

    model.add(Dropout(0.3))

    model.add(Conv2D(128, (3, 3), activation = 'relu', kernel_initializer = 'he_normal', kernel_regularizer = l2(weight_decay), padding='same'))

    model.add(BatchNormalization())

    model.add(Conv2D(128, (3, 3), activation = 'relu', kernel_initializer = 'he_normal', kernel_regularizer = l2(weight_decay), padding='same'))

    model.add(BatchNormalization())

    model.add(MaxPooling2D((2, 2)))

    model.add(Dropout(0.4))

Answer 1

首先使用model.summary()获取所需层的名称。然后在下面给定的代码中使用该层的名称代替 desired_layer ：from keras.models import Model extractor = Model(inputs=model.inputs, outputs=model.get_layer(desired_layer).output) features = extractor.predict(x)这里x是您要从中提取特征的数据。