快捷導(dǎo)航

keras 特征圖可視化實(shí)例(中間層)

更新時(shí)間：2020年01月24日 09:48:33 作者：wanbeila

今天小編就為大家分享一篇keras 特征圖可視化實(shí)例(中間層)，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧

鑒于最近一段時(shí)間一直在折騰的CNN網(wǎng)絡(luò)效果不太理想，主要目標(biāo)是為了檢測(cè)出圖像中的一些關(guān)鍵點(diǎn)，可以參考人臉的關(guān)鍵點(diǎn)檢測(cè)算法。

但是由于從數(shù)據(jù)集的制作是自己完成的，所以數(shù)據(jù)集質(zhì)量可能有待商榷，訓(xùn)練效果不好的原因可能也是因?yàn)閿?shù)據(jù)集沒(méi)有制作好（標(biāo)點(diǎn)實(shí)在是太累了）。

于是想看看自己做的數(shù)據(jù)集在進(jìn)入到網(wǎng)絡(luò)后那些中間的隱藏層到底發(fā)生了哪些變化。

今天主要是用已經(jīng)訓(xùn)練好的mnist模型來(lái)提前測(cè)試一下，這里的mnist模型的準(zhǔn)確度已經(jīng)達(dá)到了98%左右。

使用的比較簡(jiǎn)單的一個(gè)模型：

def simple_cnn():
 input_data = Input(shape=(28, 28, 1))
 x = Conv2D(64, kernel_size=3, padding='same', activation='relu', name='conv1')(input_data)
 x = MaxPooling2D(pool_size=2, strides=2, name='maxpool1')(x)
 x = Conv2D(32, kernel_size=3, padding='same', activation='relu', name='conv2')(x)
 x = MaxPooling2D(pool_size=2, strides=2, name='maxpool2')(x)
 x = Dropout(0.25)(x)
 # 獲得最后一層卷積層的輸出
 # 添加自己的全連接
 x = Flatten(name='flatten')(x)
 x = Dense(128, activation='relu', name='fc1')(x)
 x = Dropout(0.25)(x)
 x = Dense(10, activation='softmax', name='fc2')(x)
 model = Model(inputs=input_data, outputs=x)

此模型已經(jīng)訓(xùn)練好了，跑了10個(gè)epoch，驗(yàn)證集0.33

這里的效果還是很好的，┓( ´∀` )┏

下面在網(wǎng)上搞了張手寫(xiě)數(shù)字

使用網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，這里就先給出如何可視化第一層的卷積層的輸出吧，哇哈哈

代碼：

input_data = Input(shape=(28, 28, 1))
 x = Conv2D(64, kernel_size=3, padding='same', activation='relu', name='conv1')(input_data)
 x = MaxPooling2D(pool_size=2, strides=2, name='maxpool1')(x)
 x = Conv2D(32, kernel_size=3, padding='same', activation='relu', name='conv2')(x)
 x = MaxPooling2D(pool_size=2, strides=2, name='maxpool2')(x)
 x = Dropout(0.25)(x)
 x = Flatten(name='flatten')(x)
 x = Dense(128, activation='relu', name='fc1')(x)
 x = Dropout(0.25)(x)
 x = Dense(10, activation='softmax', name='fc2')(x)
 model = Model(inputs=input_data, outputs=x)
 
 model.load_weights('final_model_mnist_2019_1_28.h5')
 
 raw_img = cv2.imread('test.png')
 test_img = load_img('test.png', color_mode='grayscale', target_size=(28, 28))
 test_img = np.array(test_img)
 test_img = np.expand_dims(test_img, axis=0)
 test_img = np.expand_dims(test_img, axis=3)
 
 conv1_layer = Model(inputs=input_data, outputs=model.get_layer(index=1).output)
 
 conv1_output = conv1_layer.predict(test_img)
 
 for i in range(64):
  show_img = conv1_output[:, :, :, i]
  print(show_img.shape)
  show_img.shape = [28,28]
  cv2.imshow('img', show_img)
  cv2.waitKey(0)

核心方法就是通過(guò)加載模型后，新建Model，將輸出部分換為你想要查看的網(wǎng)絡(luò)層數(shù)即可，當(dāng)然get_layer()包括了name和index兩個(gè)參數(shù)。最后通過(guò)遍歷當(dāng)前卷積層的所有特征映射，將每一個(gè)都展示出來(lái)。就可以了。