在Keras中，CNN层的计算结果与实际的计算结果不同模型.predi

Question

history = model.fit(x_spectro_train, y_train_onehot, batch_size=batch_size, epochs=training_epochs, validation_data =(x_spectro_test, y_test_onehot), shuffle=True, callbacks=callbacks_list,class_weight=class_weights, verbose=1)


model=load_model(model_name)
predict_prob_train = model.predict(x_spectro_train,batch_size=batch_size) 


inp = model.input                                           # input placeholder
outputs = [layer.output for layer in model.layers]          # all layer outputs
functors = [K.function([inp, K.learning_phase()], [out]) for out in outputs]    # evaluation functions
layer_outs = [func([x_spectro_train, 0.]) for func in functors] #test mode (0.0), train mode(1.0)

我想保存CNN层输出。 我想用CNN层输出训练svm模型（不是概率）

所以我使用了来自Keras, How to get the output of each layer?的代码并看到了结果。你知道吗

但是我的CNN层的结果和模型.预测. 我监视val的准确性，保存最好的模型，然后加载它。 这是我模型的结构。（下图）

enter image description here

我期望层输出[13]（最后一层）的结果与预测概率序列相同。然而，结果却不同。（如下图）

enter image description here

为什么结果不同？你知道吗

Answer 1

在Conv层之后有7个层（其中2个是Dense）。他们还学习了一些东西，他们正在对模型输出进行“决策”。你知道吗

这样想：Conv输出一些东西，也就是Dense1->；Dense2的输入。所有这些层次都在同时学习。所以Dense1层的目标是了解Conv层“试图告诉它”是什么，如何解释Conv层的结果。如果将图像输入到Dense1层，然后再输入到Dense2层，则不会得到相同的结果（也不会得到正确的结果）。所有这些层都在一起工作以得到正确的预测。你知道吗

不能隔离一个层并期望得到正确的结果。你知道吗