Python - sklearn.MLPClassifier：如何获取第一个隐藏层的输出

Question

我正在经历一些深度学习技术，并遇到了一种不使用反向传播的方法（https://arxiv.org/abs/1706.02480）。该方法的基本思想是训练浅单个隐藏层，丢弃输出层，并在训练的（第一）隐藏层和新输出层之间添加另一个隐藏层。重复该过程（添加和训练），直到满足某个标准。我正在尝试使用sklearn中提供的MLP分类器来实现此方法。我面临的问题是如何获得隐藏层的输出。例如，如果我使用

mlp = MLPClassifier()
mlp.predict(data)

，它会给我整个网络的输出。但是，我需要的是网络隐藏层的子输出。为了显示：

输入 - > connection1（权重） - >隐藏层 - > connection2（权重） - >输出（ - >预测）

我目前要求的不是输出预测，而是隐藏层（隐藏层和连接2之间）的结果。我知道隐藏层的输入（在connection1和隐藏层之间）可以通过计算

np.matmul(data, mlp.coefs_[0]) + mlp.intercepts_[0]

有没有办法获得隐藏层的结果？

Answer 1

你误解了什么是什么。

输入是您传入的内容。

第一隐藏层由模型参数W1和b1组成。

隐藏层的输出为f（W1Tx + b1），其中f是您的激活函数。

然后，这是第二隐藏层的输入，其由模型参数W2和b2组成。它就是......

所以，确切地说

from sklearn.neural_network._base import ACTIVATIONS
ACTIVATIONS['relu'](np.matmul(data, mlp.coefs_[0]) + mlp.intercepts_[0]))

是你在找什么。