我正在研究一些深度学习技术，并且遇到了一种不使用反向传播（https://arxiv.org/abs/1706.02480）的方法。此方法的基本思想是训练较浅的单个隐藏层，丢弃输出层，并在经过训练的（第一个）隐藏层和新的输出层之间添加另一个隐藏层。重复该过程（添加和训练），直到满足某些条件为止。
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取隐藏层的输出。例如，如果我使用
mlp = MLPClassifier()
mlp.predict(data)
，它将为我提供整个网络的输出。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）
我当前需要的不是输出预测，而是来自隐藏层（在隐藏层和连接2之间）的结果。
我知道隐藏层（在connection1和隐藏层之间）的输入可以通过以下方式计算：
np.matmul(data, mlp.coefs_[0]) + mlp.intercepts_[0]
有没有办法获取隐藏层的结果？
最佳答案
您误解了什么是什么。
输入是您传递的内容。
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，这是第二隐层的输入，该第二隐层由模型参数W2和b2组成。等等...
所以，确切地说
from sklearn.neural_network._base import ACTIVATIONS
ACTIVATIONS['relu'](np.matmul(data, mlp.coefs_[0]) + mlp.intercepts_[0]))
是您要寻找的。
关于python - Python-sklearn.MLPClassifier:如何获取第一个隐藏层的输出，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/50869405/