你可以使用以下命令轻松获取任何图层的输出：
model.layers[index].output
对于所有图层，请使用以下命令：
from keras import backend as Kinp = model.input # input placeholderoutputs = [layer.output for layer in model.layers] # all layer outputsfunctors = [K.function([inp, K.learning_phase()], [out]) for out in outputs] # evaluation functions# Testingtest = np.random.random(input_shape)[np.newaxis,...]layer_outs = [func([test, 1.]) for func in functors]print layer_outs
注：为了模拟差使用learning_phase如1.在layer_outs以其它方式使用0.
编辑：（基于评论）
K.function创建
theano / tensorflow张量函数，该函数随后用于从给定输入的符号图中获取输出。
现在
K.learning_phase()需要输入作为输入，因为许多Keras层（如
Dropout / Batchnomalization）都依赖它来在训练和测试期间更改行为。
因此，如果你删除代码中的辍学层，则可以简单地使用：
from keras import backend as Kinp = model.input # input placeholderoutputs = [layer.output for layer in model.layers] # all layer outputsfunctors = [K.function([inp], [out]) for out in outputs] # evaluation functions# Testingtest = np.random.random(input_shape)[np.newaxis,...]layer_outs = [func([test]) for func in functors]print layer_outs
编辑2：更优化
我刚刚意识到，先前的答案并不是针对每个函数评估进行优化的，因为数据将被传输到CPU-> GPU内存中，并且还需要对低层进行n-n-over的张量计算。
相反，这是一种更好的方法，因为你不需要多个函数，而只需一个函数即可为你提供所有输出的列表：
from keras import backend as Kinp = model.input # input placeholderoutputs = [layer.output for layer in model.layers] # all layer outputsfunctor = K.function([inp, K.learning_phase()], outputs ) # evaluation function# Testingtest = np.random.random(input_shape)[np.newaxis,...]layer_outs = functor([test, 1.])print layer_outs
