如何查看Keras中张量对象的输出？含Embedding层向量查看方法

嘿，这问题我熟！我来一步步教你怎么查看Embedding层的输出，以及Keras里Tensor对象的通用查看方法。

一、查看Embedding层的密集向量输出 #

Embedding层把整数索引转成密集向量后，有几种简单的方式能看到具体数值：

1. 直接调用Embedding层获取输出 #

不用搭建完整模型，单独实例化Embedding层后直接喂入输入数据就行：

from tensorflow.keras.layers import Embedding
import numpy as np

# 初始化Embedding层：词汇表大小1000，输出向量维度2，输入序列长度1
embedding_layer = Embedding(input_dim=1000, output_dim=2, input_length=1)

# 准备测试输入（比如你给的[[4], [20]]）
test_input = np.array([[4], [20]])

# 获取输出Tensor，转成NumPy数组查看
output_vector = embedding_layer(test_input).numpy()
print(output_vector)

运行后你就能看到类似[[[0.25, 0.1]], [[0.6, -0.2]]]的输出（具体数值会随机初始化，除非你设置了embeddings_initializer）。

2. 从完整模型中提取输出 #

如果Embedding是模型的一部分，你可以通过model.predict()或者直接调用对应层来获取输出：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Embedding
import numpy as np

# 搭建包含Embedding层的简单模型
model = Sequential()
model.add(Embedding(input_dim=1000, output_dim=2, input_length=1))

# 测试输入
test_input = np.array([[4], [20]])

# 方法1：用predict获取输出
predict_result = model.predict(test_input)
print("predict输出:\n", predict_result)

# 方法2：直接调用对应层（这里是第一层）
layer_output = model.layers[0](test_input).numpy()
print("层直接输出:\n", layer_output)

3. 查看整个词汇表的词向量 #

如果你想一次性看所有索引对应的词向量，可以直接取Embedding层的权重矩阵：

# 获取全部词向量（形状是(词汇表大小, 输出维度)）
all_embeddings = embedding_layer.weights[0].numpy()
print("全部词向量形状:", all_embeddings.shape)

# 单独查看索引4和20的词向量
print("索引4的词向量:", all_embeddings[4])
print("索引20的词向量:", all_embeddings[20])

二、Keras张量对象的通用查看方法 #

Keras里的Tensor对象（其实就是TensorFlow的Tensor），常用的查看方式有这几种：

• 转成NumPy数组：这是最常用的方式，在Eager Execution模式（TensorFlow默认开启）下，直接调用.numpy()就能把Tensor转成可查看的数组：

  import tensorflow as tf
  
  tensor = tf.constant([[0.25, 0.1], [0.6, -0.2]])
  print(tensor.numpy())
  

• 直接打印Tensor：如果不需要单独提取数值，直接print(tensor)会显示Tensor的形状、数据类型，以及小张量的具体数值：

  print(tensor)
  # 输出类似：<tf.Tensor: shape=(2, 2), dtype=float32, numpy=array([[0.25, 0.1], [0.6, -0.2]], dtype=float32)>
  

• Graph模式下用tf.print()：如果是在tf.function装饰的函数（Graph模式）里，.numpy()可能无法使用，这时候用tf.print()可以直接输出Tensor内容：

  @tf.function
  def print_tensor(t):
      tf.print("Graph模式下的Tensor:", t)
  
  print_tensor(tensor)
  

内容的提问来源于stack exchange，提问作者Harsh2093