如何使用训练后的权重从AlexNet CNN模型中提取指定层特征

你当前写的特征提取器代码逻辑是正确的，按照以下步骤操作即可完成特征提取：

• 第一步：确保已加载训练完成的模型权重
  如果你是在训练模型的同一个脚本中直接提取特征，训练完成后权重已经保留在Alexnet对象中，无需额外操作；如果是调用之前训练好保存的权重，先加载模型：

  # 训练时保存权重的代码示例（如果你之前没保存可以先执行这行）
  # Alexnet.save("cifar10_alexnet_80acc.h5")
  
  # 加载训练完成的模型
  Alexnet = keras.models.load_model("cifar10_alexnet_80acc.h5")
  

  为了避免取错层，你可以先打印所有层的名称确认最后一个dropout层的命名：

  for layer in Alexnet.layers:
      print(layer.name)
  

  按照你给出的模型结构，三个dropout层自动命名分别为dropout、dropout_1、dropout_2，你要取的最后一个对应dropout_2，和你当前写的代码一致。如果担心自动命名变动，也可以在定义模型时给目标层手动指定名称，比如keras.layers.Dropout(0.2, name="final_dropout")，后续取层时直接用自定义名称即可。

• 第二步：构造特征提取器并设置推理模式
  你写的特征提取器代码是正确的，在此基础上需要关闭模型的训练状态，避免dropout层在特征提取时执行随机失活操作：

  feature_extractor = keras.Model(
    inputs=Alexnet.inputs,
    outputs=Alexnet.get_layer(name="dropout_2").output,
  )
  # 关闭特征提取器的训练状态
  feature_extractor.trainable = False
  

• 第三步：执行特征提取
  注意输入数据的预处理方式必须和模型训练时完全一致（比如归一化范围、数据维度等），以下是提取测试集特征的示例：

  # 假设x_test是预处理后的输入数据，和训练时的预处理逻辑完全一致
  extracted_features = feature_extractor.predict(x_test, batch_size=32)
  

  输出的extracted_features形状为(样本数量, 1024)，即每个样本对应1024维的dropout层输出特征，可直接用于下游任务。

内容的提问来源于stack exchange，提问作者Isaac Sady