Github项目推荐 | Keract - Keras中的激活映射（层输出）和渐变

Keract: Keras Activations + Gradients

by philipperemy

pip install keract

这是获取Keras模型（LSTM，转换网......）中每一层的激活（输出）和渐变的一个简单方法。

Github项目地址：

https://github.com/philipperemy/keract#get-activations-outputs-of-each-layer （点击链接可直接打开）

API

• get_activations
• get_gradients_of_trainable_weights
• get_gradients_of_activations

get_activations 获取激活（每层的输出）

from keract import get_activationsget_activations(model, x)

输入为：

• model是一个keras.models.Model对象。
• x 是一个numpy数组，作为输入提供给模型，在多端输入的情况下，x是List类型。我们使用Keras约定（来进行预测、适应等......）。

输出以字典形式呈现，包含输入x的每个model层的激活：

{  'conv2d_1/Relu:0': np.array(...),  'conv2d_2/Relu:0': np.array(...),  ...,  'dense_2/Softmax:0': np.array(...)}

键是层的名称，值是给定输入x对应的层的输出。

获得权重梯度

• model是一个keras.models.Model对象。
• x输入数据（numpy数组）。 Keras约定。
• y：标签（numpy数组）。 Keras约定。

from keract import get_gradients_of_activationsget_gradients_of_activations(model, x, y)

输出以字典形式呈现，将每个可训练权重映射到其梯度值（关于x和y）。

示例

提供的示例包括：

• keras.models.Sequential - mnist.py
• keras.models.Model - multi_inputs.py
• 递归网络 - recurrent.py

对于带有LeNet的MNIST，我们可以获取一批大小为128的激活：

conv2d_1/Relu:0(128, 26, 26, 32)
conv2d_2/Relu:0(128, 24, 24, 64)
max_pooling2d_1/MaxPool:0(128, 12, 12, 64)
dropout_1/cond/Merge:0(128, 12, 12, 64)
flatten_1/Reshape:0(128, 9216)
dense_1/Relu:0(128, 128)
dropout_2/cond/Merge:0(128, 128)
dense_2/Softmax:0(128, 10)

我们可以将激活具体化。以下是使用VGG16的另一个例子：

cd examplespython vgg16.py

一只猫

VGG16的第一个卷积层的输出。

此外，我们可以看见激活的热图：

cd examplespython heat_map.py