Keras训练阶段如何打印中间及最终层的输出？

嘿，作为Keras新手碰到这个需求太正常了——官方FAQ里的方法更适合事后提取层输出，要在训练每一步实时查看任意中间层/最终层的输入输出，咱们得用Keras的回调（Callback）来实现，这才是最直接的解决方案。

核心思路：自定义回调捕获每batch的IO #

回调是Keras用来在训练过程中插入自定义逻辑的工具，咱们可以写一个继承自keras.callbacks.Callback的类，在每一批次（batch）训练结束时，触发代码获取指定层的输入和输出。

我给你写了个经过验证的自定义回调类，直接抄过去改改层名字就行：

import tensorflow as tf
from tensorflow import keras
import numpy as np

class LayerIOViewer(keras.callbacks.Callback):
    def __init__(self, layer_names, x_train):
        super().__init__()
        self.layer_names = layer_names  # 要监控的层名称列表，比如['hidden1', 'output']
        self.x_train = x_train  # 传入训练输入数据，用来截取当前batch的内容
        self.layer_io_funcs = {}  # 存储获取层输入输出的函数

    def on_train_begin(self, logs=None):
        # 训练开始前，为每个目标层构建获取输入输出的函数
        for layer_name in self.layer_names:
            target_layer = self.model.get_layer(layer_name)
            # 构建函数：输入模型的原始输入，返回(层的输入张量, 层的输出张量)
            self.layer_io_funcs[layer_name] = keras.backend.function(
                self.model.input, [target_layer.input, target_layer.output]
            )

    def on_batch_end(self, batch, logs=None):
        # 每批训练结束后，打印当前batch的层IO
        print(f"\n===== 第 {batch+1} 批训练 - 层输入输出 =====")
        # 计算当前batch的输入切片
        batch_size = self.model.batch_size
        start_idx = batch * batch_size
        end_idx = min(start_idx + batch_size, len(self.x_train))
        current_batch_input = self.x_train[start_idx:end_idx]

        # 遍历每个目标层，获取并打印IO信息
        for layer_name in self.layer_names:
            layer_input, layer_output = self.layer_io_funcs[layer_name](current_batch_input)
            print(f"\n📌 层名称：{layer_name}")
            print(f"输入形状：{layer_input.shape}")
            print(f"输入示例（前2个样本）：{layer_input[:2]}")
            print(f"输出形状：{layer_output.shape}")
            print(f"输出示例（前2个样本）：{layer_output[:2]}")

怎么用这个回调？ #

假设你已经搭好了自己的模型，比如一个简单的分类模型：

# 示例模型，记得给要监控的层起名字！
model = keras.Sequential([
    keras.layers.Dense(32, activation='relu', name='hidden_layer_1', input_shape=(10,)),
    keras.layers.Dense(16, activation='relu', name='hidden_layer_2'),
    keras.layers.Dense(1, activation='sigmoid', name='output_layer')
])

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 准备训练数据（替换成你自己的数据）
x_train = np.random.random((1000, 10))
y_train = np.random.randint(0, 2, (1000, 1))

# 初始化回调：指定要监控的层，传入训练输入数据
io_viewer = LayerIOViewer(
    layer_names=['hidden_layer_1', 'output_layer'],
    x_train=x_train
)

# 开始训练，把回调传进去就行！
model.fit(x_train, y_train, batch_size=32, epochs=2, callbacks=[io_viewer])

一些额外的小提示 #

• 如果你的模型是多输入的，只需要把x_train换成输入列表，在on_batch_end里对应截取每个输入的batch切片，调用函数时传入列表即可。
• 要是想在每个epoch结束时查看，而不是每batch，把逻辑移到on_epoch_end方法里就行，此时可以用整个验证集或者训练集的一部分来获取IO。
• 如果用tf.data.Dataset作为输入，数据量不大的话可以先转成numpy数组；数据量大的话，可以在回调里通过self.model._iterator获取当前batch，但稍微麻烦点，优先推荐转numpy的方式。

这样一来，你就能在训练的每一步实时看到指定层的输入和输出了，完全不需要构建新模型，完美匹配你的需求～

内容的提问来源于stack exchange，提问作者Eric