Keras自编码器实际应用：如何提取编码层实现降维

没问题，这事儿我熟！在Keras里提取自编码器的编码半模型其实很简单，分两种常见的模型结构来给你拆解解决方案，保证你能顺利拿到32维的编码输出：

一、如果你的自编码器是Sequential序列模型 #

假设你的自编码器是用Sequential()堆叠出来的，比如结构大概是这样：

from keras.models import Sequential
from keras.layers import Dense

original_dim = 784  # 举个例子，比如MNIST的输入维度
autoencoder = Sequential([
    Dense(128, activation='relu', input_shape=(original_dim,)),
    Dense(64, activation='relu'),
    Dense(32, activation='relu'),  # 这就是你要的32维编码层
    Dense(64, activation='relu'),
    Dense(128, activation='relu'),
    Dense(original_dim, activation='sigmoid')
])

# 训练自编码器（省略训练代码）
autoencoder.compile(optimizer='adam', loss='mse')
autoencoder.fit(x_train, x_train, epochs=50, batch_size=256)

训练完成后，你只需要用Model类重新封装输入和编码层的输出即可：

from keras.models import Model

# 先确认编码层的索引：用summary()查看每层信息，找到输出维度为32的层的索引
autoencoder.summary()

# 假设编码层是第2层（索引从0开始计数），构建编码器模型
encoder = Model(inputs=autoencoder.input, outputs=autoencoder.layers[2].output)

# 测试一下：用输入数据生成32维编码
encoded_data = encoder.predict(x_test)
print(encoded_data.shape)  # 输出应该是(测试样本数, 32)，完美符合你的目标！

二、如果你的自编码器是Functional函数式模型（更推荐） #

函数式模型本身就支持模块化构建，你可以在一开始定义模型的时候就单独把编码部分抽出来，这样训练完自编码器后，编码器直接就能用，不用事后再提取：

from keras.layers import Input, Dense
from keras.models import Model

original_dim = 784
# 第一步：定义编码路径
input_layer = Input(shape=(original_dim,))
x = Dense(128, activation='relu')(input_layer)
x = Dense(64, activation='relu')(x)
encoded = Dense(32, activation='relu')(x)  # 32维编码层，单独存为变量

# 第二步：定义解码路径
x = Dense(64, activation='relu')(encoded)
x = Dense(128, activation='relu')(x)
decoded = Dense(original_dim, activation='sigmoid')(x)

# 构建完整自编码器
autoencoder = Model(input_layer, decoded)
# 直接得到编码器模型！
encoder = Model(input_layer, encoded)

# 训练自编码器（和之前一样）
autoencoder.compile(optimizer='adam', loss='mse')
autoencoder.fit(x_train, x_train, epochs=50, batch_size=256)

# 直接用encoder做降维
encoded_data = encoder.predict(x_test)
print(encoded_data.shape)  # 同样输出(测试样本数, 32)

额外提示：加载已保存的模型后提取编码器 #

如果你的自编码器已经训练好并保存成了.h5文件，加载后同样可以用上面的方法提取：

from keras.models import load_model, Model

autoencoder = load_model('autoencoder_trained.h5')
# 还是先看summary确认编码层索引
autoencoder.summary()
encoder = Model(inputs=autoencoder.input, outputs=autoencoder.layers[2].output)

重点提醒：一定要用autoencoder.summary()确认编码层的位置，别搞错索引！比如上面的例子里编码层是第2层，但如果你的模型结构不同，索引可能会变，看summary里的Output Shape列，找到维度是(None, 32)的那一层就行。

内容的提问来源于stack exchange，提问作者WolVes