現(xiàn)在可以創(chuàng)建theano編譯的函數(shù)了，它將前饋輸入數(shù)據(jù)輸送到結(jié)構(gòu)體系中，甚至是你感興趣的某一層中。接著，我會得到輸出層的函數(shù)和輸出層前面的稠密層函數(shù)。
dense_layer = layers.get_output(net1.layers_['dense'], deterministic=True)
output_layer = layers.get_output(net1.layers_['output'], deterministic=True)
input_var = net1.layers_['input'].input_var
f_output = theano.function([input_var], output_layer)
f_dense = theano.function([input_var], dense_layer)

如你所視，我們現(xiàn)在有兩個theano函數(shù)，分別是f_output和f_dense（用于輸出層和稠密層）。請注意，在這里為了得到這些層，我們使用了一個額外的叫做“deterministic”的參數(shù)，這是為了避免dropout層影響我們的前饋操作。

現(xiàn)在，我們可以把實例轉(zhuǎn)換為輸入格式，然后輸入到theano函數(shù)輸出層中：
instance = X_test[0][None, :, :]
%timeit -n 500 f_output(instance)
500 loops, best of 3: 858 μs per loop

如你所視，f_output函數(shù)平均需要858μs。我們同樣可以為這個實例繪制輸出層激活值結(jié)果：
pred = f_output(instance)
N = pred.shape[1]
plt.bar(range(N), pred.ravel())

上面的代碼將繪制出下面的圖：

?

正如你所看到的，數(shù)字被認(rèn)為是7。事實是為任何網(wǎng)絡(luò)層創(chuàng)建theano函數(shù)都是非常有用的，因為你可以創(chuàng)建一個函數(shù)（像我們以前一樣）得到稠密層（輸出層前一個）的激活值，然后你可以使用這些激活值作為特征，并且使用你的神經(jīng)網(wǎng)絡(luò)作為特征提取器而不是分類器?，F(xiàn)在，讓我們?yōu)槌砻軐永L制256個激活單元：
pred = f_dense(instance)
N = pred.shape[1]
plt.bar(range(N), pred.ravel())

上面的代碼將繪制下面的圖：

現(xiàn)在，你可以使用輸出的這256個激活值作為線性分類器如Logistic回歸或支持向量機(jī)的特征了。

最后，我希望你會喜歡這個教程。

作者簡介：Christian S.Peron，遺傳算法框架Pyevolve（基于Python編寫的）的作者，現(xiàn)任惠普軟件設(shè)計師?？赏ㄟ^christian dot perone at gmail dot com 聯(lián)系。

關(guān)于譯者：?劉帝偉，中南大學(xué)軟件學(xué)院在讀研究生，關(guān)注機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘及生物信息領(lǐng)域。