快捷導(dǎo)航

使用Tensorflow實現(xiàn)可視化中間層和卷積層

更新時間：2020年01月24日 10:44:55 作者：nini_coded

今天小編就為大家分享一篇使用Tensorflow實現(xiàn)可視化中間層和卷積層，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

為了查看網(wǎng)絡(luò)訓(xùn)練的效果或者便于調(diào)參、更改結(jié)構(gòu)等，我們常常將訓(xùn)練網(wǎng)絡(luò)過程中的loss、accurcy等參數(shù)。

除此之外，有時我們也想要查看訓(xùn)練好的網(wǎng)絡(luò)中間層輸出和卷積核上面表達了什么內(nèi)容，這可以幫助我們思考CNN的內(nèi)在機制、調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)或者把這些可視化內(nèi)容貼在論文當(dāng)中輔助說明訓(xùn)練的效果等。

中間層和卷積核的可視化有多種方法，整理如下：

1. 以矩陣（matrix）格式手動輸出圖像：

用簡單的LeNet網(wǎng)絡(luò)訓(xùn)練MNIST數(shù)據(jù)集作為示例：

x = tf.placeholder(tf.float32, [None, 784]) 

x_image = tf.reshape(x, [-1,28,28,1])    
W_conv1 = weight_variable([5, 5, 1, 32]) # 第一個卷積層的32個卷積核  
b_conv1 = bias_variable([32])  
# 第一個卷積層：  
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool(h_conv1)  # 第一個池化層

訓(xùn)練結(jié)束后，第一個卷積層共有32個5*5大小的卷積核：W_conv1，要可視化第10個卷積核：

from PIL import Image
import numpy as np
#from mnist_try001 import W_conv1

img1 = (W_conv1.eval()) # 將張量轉(zhuǎn)換為numpy數(shù)組
W_conv1_10 = img1[:,:,:,9] 

W_conv1_10 = np.asmatrix(W_conv1_10) # 將數(shù)組轉(zhuǎn)換為矩陣格式
W_conv1_10_visual = Image.fromarray(W_conv1_10 * 255.0 / W_conv1_10.max()) # 像素值歸一化，Image.fromarray方法的輸入范圍是[0~255]
W_conv1_10_visual.show()

2. 通過反卷積方式輸出中間層和卷積核圖像：

import matplotlib.pyplot as plt
from tensorflow.examples.tutorials.mnist import input_data

x = tf.placeholder(tf.float32, [None, 784])
mnist = input_data.read_data_sets('/TensorflowCode/MNIST_data', one_hot=True)

h_conv2 = tf.nn.relu(tf.nn.conv2d(h_pool1, W_conv2, strides=[1, 1, 1, 1], padding='SAME') + b_conv2) #14*14*64
# 可視化第二層輸出的圖像
input_image = mnist.train.images[100] # 輸入一幅指定圖像，mnist.train.images[100]尺寸為[784,],即1維：[1,784]
conv2 = sess.run(h_conv2, feed_dict={x:input_image}) # [64, 14, 14 ,1] 若前面網(wǎng)絡(luò)中加入了dropout,這里的feed_dict中不要忘記加上keep_prob: 0.5
conv2 = sess.run(tf.reshape(conv2 , [64, 1, 14, 14]))
conv2 = np.sum(conv2,axis = 0) # 對中間層圖像各通道求和，作為輸出圖像
h_conv1 = np.asmatrix(h_conv1) # 將conv2數(shù)組轉(zhuǎn)換成矩陣格式
h_conv1 = Image.fromarray(h_conv1 * 255.0 / h_conv1.max()) # 矩陣數(shù)值歸一化
h_conv1.show() # 輸出14*14的灰度圖像

可視化卷積核和上面的方法完全一樣，把h_conv2改成卷積核就可以了（如W_conv1_10），可以同是輸出多個卷積核。

中間層圖像如下：（已經(jīng)完全看不出是數(shù)字了）

或者用 matplotlib.pyplot代替上面的Image方法，可以直接輸出彩色圖像：

# 輸出第一層的32個卷積核（5×5*32）
import matplotlib.pyplot as plt

input_image = mnist.train.images[100]
W_conv1 = sess.run(W_conv1, feed_dict={x:input_image})   
W_conv1 = sess.run(tf.reshape(conv1_16, [32, 1, 5, 5]))
fig1,ax1 = plt.subplots(nrows=1, ncols=32, figsize = (32,1))
for i in range(32):
  ax1[i].imshow( W_conv1[i][0])           
plt.title('W_conv1 32×5×5')
plt.show()

以上這篇使用Tensorflow實現(xiàn)可視化中間層和卷積層就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: