TensorFlow微调场景下如何查看并访问卷积基内部所有层的激活值

嘿，这问题很常见——当你把预训练的卷积基当作一个整体层加入模型时，模型摘要确实只会显示这个“打包”后的层，看不到内部细节。不过别担心，有个简单的方法可以提取并查看所有内部层的激活值，下面一步步来：

步骤1：确认卷积基的内部层结构 #

首先，你可以先打印出conv_base里所有层的名称，这样能清楚知道你要访问哪些层：

print([layer.name for layer in conv_base.layers])

运行后你会看到VGG16的所有卷积层、池化层名称，比如block1_conv1、block1_pool、block2_conv1等等。

步骤2：构建激活值提取模型 #

我们可以利用Keras的Functional API，创建一个新模型，它的输入和你的原模型一致，输出则是conv_base每一层的激活值：

from tensorflow.keras.models import Model

# 获取conv_base所有层的输出张量
layer_outputs = [layer.output for layer in conv_base.layers]
# 创建激活模型：输入是原模型的输入，输出是所有层的激活
activation_model = Model(inputs=model.input, outputs=layer_outputs)

或者，如果你只想针对conv_base本身测试，也可以直接用conv_base的输入来构建：

activation_model = Model(inputs=conv_base.input, outputs=layer_outputs)

步骤3：用测试图片获取激活值 #

接下来，准备一张预处理好的图片（要符合VGG16的输入要求），然后用predict方法得到所有层的激活：

import numpy as np
from tensorflow.keras.applications.vgg16 import preprocess_input
from PIL import Image

# 加载并预处理图片示例
img = Image.open("your_test_image.jpg")
img = img.resize((inp_img_w, inp_img_h))  # 调整到模型输入尺寸
img_array = np.array(img)
img_array = np.expand_dims(img_array, axis=0)  # 增加batch维度
img_array = preprocess_input(img_array)  # VGG16的预处理

# 获取所有层的激活值
activations = activation_model.predict(img_array)

步骤4：访问特定层的激活值 #

activations是一个列表，每个元素对应conv_base里一层的激活张量，顺序和conv_base.layers一致。你可以通过索引或者层名称来访问：

# 通过索引访问，比如第一个卷积层的激活
first_conv_activation = activations[0]
print(f"第一层激活形状：{first_conv_activation.shape}")  # 输出类似(1, 224, 224, 64)

# 通过层名称索引，比如获取block3_conv2层的激活
layer_names = [layer.name for layer in conv_base.layers]
target_layer_idx = layer_names.index("block3_conv2")
target_activation = activations[target_layer_idx]

这样你就能轻松查看卷积基内部每一层的激活值了，不管是用于调试、可视化还是分析特征提取的效果都很方便～

内容的提问来源于stack exchange，提问作者Tanya