我如何在 model.add(Flatten()) 层之后访问数据？

如何解决我如何在 model.add(Flatten()) 层之后访问数据？

我正在尝试使用 CNN 进行特征提取，使用 XGboost 对图像数据进行分类。我研究发现可以通过在卷积层之后提取数据来完成。我找到了一些类似问题的源代码并自行尝试。

model = Sequential()
model.add(Conv2D(32,kernel_size=(3,3),strides=(1,1),padding='same',activation="relu",input_shape = data.shape[1:])) 
model.add(MaxPool2D(pool_size=(2,2),strides=(2,2))) 

model.add(Conv2D(64,activation="relu") )
model.add(MaxPool2D(pool_size=(2,2))) #max pool window 2x2

model.add(Conv2D(128,activation="relu"))
model.add(MaxPool2D(pool_size=(2,2))) #max pool window 2x2

model.add(Conv2D(256,2))) #max pool window 2x2

model.add(Flatten()) 

model.add(Dense(128,name='firstDenseLayer'))
model.add(Dense(1,activation="sigmoid"))

# model.summary()

# print(model)

model.compile(loss="binary_crossentropy",optimizer="adam",metrics=["accuracy"])

model.fit(data,label,batch_size=16,epochs=10,validation_data=(val_data,val_label))

在下面我访问了名为“firstDenseLayer”的密集层。

import xgboost as xgb
from keras.models import Model

layerName = 'firstDenseLayer'

intermediate_layer_model = Model(inputs=model.input,outputs=model.get_layer(layerName).output)

intermediate_output = intermediate_layer_model.predict(data) 


from xgboost import XGBClassifier

xgbmodel = XGBClassifier(objective='multi:softmax',num_class= 2)
xgbmodel.fit(intermediate_output,label)

xgbmodel.score(intermediate_output,label)

因为我是新手，所以有几个困惑。

1. 数据是如何流动的。在我通过卷积层提取图片的特征后，我实际上如何从那里访问数据？
2. 这行代码是做什么的？它提取什么数据？

intermediate_output = intermediate_layer_model.predict(data) 

3. 当我省略（保持注释掉）下面的行时，

model.fit(data,val_label))

从第一个片段并直接运行 XGboost 模型，XGboost 的准确度较低，而当我不这样做时，它的准确度更高。为什么会这样？

请帮帮我。我坚持了很长一段时间。我只是想访问从最后一个卷积层提取的特征数据，并使用该数据使用 XGboost 进行分类。当我试图遵循我从网上找到的方法时，我不确定这是否是唯一的方法。如果有其他方法请告诉我。

解决方法

model.fit(...) 行执行您所期望的操作，它在某些数据和标签上训练由 model 定义的卷积网络。当您使用随机初始化的权重（即不运行 fit）时，您的分类器产生较低的准确度并不奇怪。

intermediate_layer_model 被构造为 keras 模型，其输出是 model 输出之前的密集层。注意 name 构造中给密集层的 model 参数。 您可以轻松地为 Conv2D 层之一命名并以相同的方式访问它。或者，您可以将图层存储在 python 变量中，即代替

model.add(Conv2D(256,kernel_size=(3,3),padding='same',strides=(1,1),activation="relu"))

在模型构建中可以说

last_conv_layer = Conv2D(256,activation="relu")
model.add(last_conv_layer)

然后对于您输入的 intermediate_layer_model

intermediate_layer_model = Model(inputs=model.input,outputs=last_conv_layer.output)