关于可视化神经网络中间层的详细说明

你的名字 2023-01-04 13:29 17阅读 0赞

### 关于可视化神经网络中间层的详细说明 ###

*  一、对一些处理的意义的说明
 *  二、代码

# 一、对一些处理的意义的说明 #

activation_model = models.Model(inputs=model.input, outputs=layer_outputs)
    #此处的inputs是之前导入的模型，model = load_model('...(解释：自己的模型）')
    
     # 特征图的形状（1，宽，高，n_features）
    size = layer_activation.shape[1]
    
    
    #  n_cols定义一个图像输出格式即一行几个图，一共有几行 把特征图平铺在这个上面
    n_cols = n_features / images_per_row
    display_grid = np.zeros((size * n_cols, images_per_row * size))

如：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3B5dGhvbl9fcmVwb3J0ZWQ_size_16_color_FFFFFF_t_70]  
一行十六个图片，一共两行

display_grid = np.zeros((size * n_cols, images_per_row * size))
    #print("不明；", display_grid)
    """[[0. 0. 0. ... 0. 0. 0.]

\[0. 0. 0. … 0. 0. 0.\]  
\[0. 0. 0. … 0. 0. 0.\]  
…  
\[0. 0. 0. … 0. 0. 0.\]  
\[0. 0. 0. … 0. 0. 0.\]  
\[0. 0. 0. … 0. 0. 0.\]\]"""  
\#制造一个特征图的载体，即后续图像会被存在到这个框架中

# 二、代码 #

import os
    #os.environ["KERAS_BACKEND"] = "plaidml.keras.backend"
    """可视化中间层，有助于理解变换"""
    from keras.models import load_model
    model = load_model('cats_and_dogs_small_2.h5')
    img_path = r'J:\PyCharm项目\学习进行中\keras深度学习\data\train\train\cat.1700.jpg'
    
    # 我们将图像预处理为4D张量：即样本数，图片
    from keras.preprocessing import image
    import numpy as np
    
    img = image.load_img(img_path, target_size=(150, 150))

i mg\_tensor = image.img\_to\_array(img)

img_tensor = np.expand_dims(img_tensor, axis=0)
    """理解为增加一个括号！11"""
    print("扩展：",img_tensor.shape)
    # 请记住，模型是通过以下方式对输入进行训练的即图片格式化：
    img_tensor /= 255.
    # Its shape is (1, 150, 150, 3)
    
    
    """图片可视化"""
    import matplotlib.pyplot as plt
    
    plt.imshow(img_tensor[0])
    plt.show()
    
    
    from keras import models
    
    
    
    
    """提取所有的输出图片"""
    import keras
    
    # 这些是图层的名称
    layer_names = []
    for layer in model.layers[:8]:
    	layer_names.append(layer.name)
    
    images_per_row = 16#绘图时将16张图放在一行
    
    # 现在让我们显示特征图
    for layer_name, layer_activation in zip(layer_names, activations):
    	#这是要素图中的要素数量,是每一层有多少特征图
    	n_features = layer_activation.shape[-1]
    
    
     # 特征图具有形状（1，宽，高，n_features）
    	size = layer_activation.shape[1]
    	print("特征大小:", size)
    
    	# 定义一个图像输出背景即一行几个图，一共有几行 把特征图平铺在这个上面
    	n_cols = n_features // images_per_row
    	#print("图的格子即有多少行；",n_cols)
    	display_grid = np.zeros((size * n_cols, images_per_row * size))
    
     """[[0. 0. 0. ... 0. 0. 0.]
    [0. 0. 0. ... 0. 0. 0.]
    [0. 0. 0. ... 0. 0. 0.]
    ...
    [0. 0. 0. ... 0. 0. 0.]
    [0. 0. 0. ... 0. 0. 0.]
     [0. 0. 0. ... 0. 0. 0.]]"""
    #制造一个特征图的载体
    
    # 我们将每个滤镜平铺到这个大的图像输出格式中
    for col in range(n_cols):#每一列
        for row in range(images_per_row):#每一行
            channel_image = layer_activation[0,:, :,col * images_per_row + row]
            # 对特征进行后处理，注意此处输出的是变化后的张量，因而对之进行预处理
            channel_image -= channel_image.mean()#均值化
            channel_image /= channel_image.std()#标准差
            #图片复原，即从预处理的特征缩放为0，1之间的数据复原
            channel_image *= 64
            channel_image += 128
            #由张量向图片格式转化
            channel_image = np.clip(channel_image, 0, 255).astype('uint8')#数据裁剪到0到255内，8位图像节省内存空间
            # 将每一个特征图加载到可视化的对象中去，行列对象位置
            display_grid[col * size: (col + 1) * size, row * size: (row + 1) * size] = channel_image
    
    # 显示所有图片
    scale = 1. / size
    plt.figure(figsize=(scale * display_grid.shape[1],
                        scale * display_grid.shape[0]))
    plt.title(layer_name)
    plt.grid(False)
    plt.imshow(display_grid, aspect='auto', cmap='viridis')
    
    plt.show()

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3B5dGhvbl9fcmVwb3J0ZWQ_size_16_color_FFFFFF_t_70]: /images/20221119/097943ac27fb4f95afe19e274fc7d266.png