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 K
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
# Testing
test = 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。
from keras import backend as K
inp = model.input # input placeholder
outputs = [layer.output for layer in model.layers] # all layer outputs
functors = [K.function([inp], [out]) for out in outputs] # evaluation functions
# Testing
test = 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 K
inp = model.input # input placeholder
outputs = [layer.output for layer in model.layers] # all layer outputs
functor = K.function([inp, K.learning_phase()], outputs ) # evaluation function
# Testing
test = np.random.random(input_shape)[np.newaxis,...]
layer_outs = functor([test, 1.])
print layer_outs
602392714
清零编程群