표현이란 숨겨진 레이어의 기능에 액세스하는 것을 의미합니까? 그것을 보여주기위한 샘플 코드를 만들었습니다. 두 가지 접근 방식을 테스트했습니다. 첫 번째 방법은 사용자가 수행 한 작업을 기반으로하고 두 번째 방법은 내가 선호하는 CNTK의 기능 API를 사용합니다.
이
import cntk
import numpy as np
def create_model(output_dimension):
l0 = cntk.layers.Dense(shape=1, activation=None, init=1, init_bias=1)
l1 = cntk.layers.Dense(shape=output_dimension, activation=None, init=1, init_bias=1)(l0)
l2 = cntk.layers.Dense(shape=output_dimension, activation=None, init=1, init_bias=1)(l1)
return l0, l1, l2
input_dim = 1
output_dim = 1
l0, l1, l2 = create_model(output_dim)
input = cntk.input_variable(shape=1)
layer0 = l0(input)
layer1 = l1(input)
layer2 = l2(input)
print("Non functional API")
print("output of layer 0: {}".format(layer0.eval({input: np.array([0], dtype=np.float32)})))
print("output of layer 1: {}".format(layer1.eval({input: np.array([0], dtype=np.float32)})))
print("output of model: {}".format(layer2.eval({input: np.array([0], dtype=np.float32)})))
위의 모델은 차원 1의 벡터가 나는 또한 무게와 편견에 설정 치수 (1) 출력의 입력을 받아 :
기능에 대한 액세스를 얻을 수있는 쉬운 방법을 반환하는 것입니다 1을 사용하여 계산을 쉽게 수행 할 수 있습니다. create_model 함수는 모든 레이어를 포함하는 튜플을 반환하므로 외부에서 액세스 할 수 있습니다.
기능적 API 접근법은 제 의견으로는 더 좋습니다. 아래에서는 여러 레이어가 포함 된 목록을 만든 다음 cntk.layers.Sequential
을 사용하여 모델을 작성합니다. 그런 다음 create_model2
은 항목이 1) 모든 계층을 포함하는 목록과 2) 최종 모델 인 튜플을 반환합니다. 이것은 여러 레이어가있을 때 더 깨끗합니다. 또한 각 레이어에서 수행 할 수있는 작업을보다 잘 제어 할 수 있습니다.
def create_model2(output_dimension):
layers = [cntk.layers.Dense(shape=1, activation=None, init=1, init_bias=1),
cntk.layers.Dense(shape=output_dimension, activation=None, init=1, init_bias=1),
cntk.layers.Dense(shape=output_dimension, activation=None, init=1, init_bias=1)]
m = cntk.layers.Sequential(layers)
return m, layers
m, layers = create_model2(output_dim)
layer0 = layers[0](input)
layer1 = layers[1](input)
layer2 = layers[2](input)
layer01 = cntk.layers.Sequential(layers[0:2])(input)
layer012 = cntk.layers.Sequential(layers[0:3])(input)
model = m(input)
print("Functional API")
print("output of layer 0: {}".format(layer0.eval({input: np.array([0], dtype=np.float32)})))
print("output of layer 1: {}".format(layer1.eval({input: np.array([0], dtype=np.float32)})))
print("output of layer 2: {}".format(layer2.eval({input: np.array([0], dtype=np.float32)})))
print("output of model: {}".format(model.eval({input: np.array([0], dtype=np.float32)})))
print("output of layer 0 and 1: {}".format(layer01.eval({input: np.array([0], dtype=np.float32)})))
print("output of layer 0 and 1 and 2: {}".format(layer012.eval({input: np.array([0], dtype=np.float32)})))