如何在Keras中同时获取模型预测结果与中间层输出？

完全没问题！想要同时拿到模型的最终类别标签和中间层输出，核心思路是构建一个多输出的模型，让它在一次前向传播中同时返回你需要的所有结果，而不只是最终的预测值。下面分两种主流框架给你具体实现方案：

一、TensorFlow/Keras 实现方案 #

步骤1：确定要提取的中间层 #

首先你需要明确自己想要哪个（或哪些）中间层的输出。可以通过打印模型结构来查看层的名称或索引：

original_model.summary()

步骤2：构建多输出模型 #

利用 Keras 的 Model 类，基于原模型创建一个新模型，输入和原模型一致，输出包含最终预测层和你需要的中间层：

from tensorflow.keras.models import Model

# 假设原模型名为 original_model，要提取的中间层名为 'dense_1'
intermediate_layer = original_model.get_layer('dense_1').output
final_output = original_model.output

# 创建多输出模型
multi_output_model = Model(inputs=original_model.input, outputs=[final_output, intermediate_layer])

如果需要多个中间层，直接把它们加入 outputs 列表即可：outputs=[final_output, layer1.output, layer2.output]

步骤3：预测并获取结果 #

调用 predict 方法后，会按顺序返回你定义的所有输出：

import numpy as np

# 输入你的数据
final_predictions, intermediate_outputs = multi_output_model.predict(your_input_data)

# 从最终预测中提取类别标签（假设输出是 softmax 概率）
class_labels = np.argmax(final_predictions, axis=1)

二、PyTorch 实现方案 #

PyTorch 有两种常见方式：一种是修改模型的 forward 方法返回多输出，另一种是使用钩子（Hook）捕获中间层输出。这里推荐更直观的修改模型方式：

步骤1：定义多输出模型类 #

基于原模型封装一个新类，在 forward 过程中同时记录中间层和最终输出：

import torch
import torch.nn as nn

class MultiOutputModel(nn.Module):
    def __init__(self, original_model):
        super().__init__()
        self.original_model = original_model
        # 假设要提取原模型第3层的输出（可根据实际结构调整）
        self.layers = list(original_model.children())
        
    def forward(self, x):
        # 前向传播到中间层
        for layer in self.layers[:3]:
            x = layer(x)
        intermediate_out = x
        # 继续传播到最终输出
        for layer in self.layers[3:]:
            x = layer(x)
        final_out = x
        return final_out, intermediate_out

如果原模型有命名层（比如 original_model.dense1），也可以直接通过名称定位，不用遍历所有层。

步骤2：推理并获取结果 #

切换到评估模式后，执行前向传播即可拿到所有结果：

# 初始化多输出模型
multi_model = MultiOutputModel(original_model)
multi_model.eval()

# 禁用梯度计算
with torch.no_grad():
    final_preds, intermediate_outs = multi_model(your_input_tensor)

# 提取类别标签
class_labels = torch.argmax(final_preds, dim=1)

补充说明 #

• 如果只是临时获取一次中间层输出，PyTorch 的钩子（Hook）也是个不错的选择，但对于需要多次预测的场景，修改模型返回多输出的方式更高效。
• 无论哪种框架，确保你选择的中间层是可导且参与前向传播的层，避免选择如 Dropout、BatchNorm 等在评估模式下行为变化的层（当然如果确实需要它们的输出，记得先设置模型为对应模式）。

内容的提问来源于stack exchange，提问作者C.mIngxuan