Wie drucke ich die Tensorwerte zwischen den Schichten in Keras 3 aus? ⇐ Python

[Guest]

Ich verwende Keras 3 mit dem PyTorch-Backend (ich konnte das TF-Backend aus irgendeinem Grund nicht zum Laufen bringen und ich habe JAX nie verwendet).
Ich' Ich versuche, ein von jemand anderem geschriebenes Modell auf eine andere Laufzeit zu portieren, und ich möchte nach jeder Ebene zusammenfassende Statistiken über den Tensor ausgeben, damit ich herausfinden kann, welche Operation ich in meinem Port falsch implementiert habe (wahrscheinlich Achtung, lol).
Wie geht das Ich füge Druckanweisungen in ein Keras 3-Modell ein?? Alle anderen Antworten, die ich finden kann, beziehen sich auf tf.keras, was völlig anders zu sein scheint als das, was ich verwende. Es gibt auch keine Methode keras.backend.print_tensor().
Ich habe auch versucht, ein Zwischenmodell wie dieses zu erstellen (aus Gründen des Kontexts ist das Modell, das ich auseinander nehme, Moonshine). :

Code: Select all

encoder = model.encoder.encoder
encoder_intermediate_model = Model(
inputs=encoder.inputs, outputs=[layer.output for layer in encoder.layers]
)

Aber der Versuch, dies auszuführen, stürzt mit einem vagen Fehler ab:

Code: Select all

Traceback (most recent call last):
File "C:\Users\ibiyemi\projects\wellington-ml\moonshine.py", line 764, in 
encoder_outputs = encoder_intermediate_model(
^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "C:\Users\ibiyemi\projects\wellington-ml\.venv\Lib\site-packages\keras\src\utils\traceback_utils.py", line 122, in error_handler
raise e.with_traceback(filtered_tb) from None
File "C:\Users\ibiyemi\projects\wellington-ml\.venv\Lib\site-packages\torch\nn\modules\module.py", line 1736, in _wrapped_call_impl
return self._call_impl(*args, **kwargs)
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
File "C:\Users\ibiyemi\projects\wellington-ml\.venv\Lib\site-packages\torch\nn\modules\module.py", line 1747, in _call_impl
return forward_call(*args, **kwargs)
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
KeyError: "Exception encountered when calling Functional.call().\n\n\x1b[1m2365371176512\x1b[0m\n\nArguments received by Functional.call():\n  • inputs=['torch.Tensor(shape=torch.Size([1, 1248, 416]), dtype=float32)', 'torch.Tensor(shape=torch.Size([1]), dtype=int32)']\n  • training=None\n  • mask=['None', 'None']"