如何获取TensorFlow模型指定层的输出，以卷积层为例

你可以通过构建中间提取模型的方式快速实现，这是最常用也最简洁的方案，无需重新训练模型，直接复用已训练好的权重即可，具体操作如下：

1. 构建仅输出目标层结果的中间模型

import tensorflow as tf
import numpy as np

# 输入为原模型的输入，输出为你要提取的卷积层（第0层）的输出
conv_extractor = tf.keras.Model(inputs=model.input, outputs=model.layers[0].output)

2. 传入输入x获取对应卷积层输出
   你需要保证输入x的维度和原模型训练时的输入维度一致，如果你传入的是单个样本，需要手动补充batch维度：

# 示例：取测试集第一个样本作为输入x
x = np.expand_dims(X_test[0], axis=0)

# 方式1：用predict方法获取numpy格式的输出
conv_output = conv_extractor.predict(x, verbose=0)
print(conv_output)

# 方式2：直接调用模型得到tf张量，可通过.numpy()转numpy数组
conv_output_tensor = conv_extractor(x)
conv_output = conv_output_tensor.numpy()

如果你需要同时提取多个层的输出，只需要将outputs参数改为层输出的列表即可，示例如下：

# 同时提取卷积层和平均池化层的输出
multi_extractor = tf.keras.Model(
    inputs=model.input,
    outputs=[model.layers[0].output, model.layers[1].output]
)
conv_output, pool_output = multi_extractor.predict(x, verbose=0)

内容的提问来源于stack exchange，提问作者JJJohn