我目前正在尝试使用 python 中的 tensorflow 可视化我的 CNN 学习的过滤器。 我发现许多版本在训练新网络时都使用 mnist 数据集,但无法将其应用于我的应用程序。 我使用自定义数据集训练了一个存储在我的磁盘上的 Estimator 对象。该模型包含层,例如
conv1 = tf.layers.conv2d(inputs=input_layer, filters=32, kernel_size=[5, 5], padding="same", activation=tf.nn.sigmoid)
并且只想可视化对维度为 (28,28,3) 的单张图片的预测。 在 tensorboard 中,这一层简称为“conv2d”,其他层称为“conv2d_2”等等,它与默认 MNIST 网络的结构基本相同,只是它使用了 sigmoid 函数。
我不知道如何实现这个——我考虑过获取权重和偏差并根据步幅和过滤器大小重新计算每一层,但我已经无法获取权重,我认为有一个更简单的解决方案。
最佳答案
I'm currently trying to visualize the learned filters of my CNN with tensorflow in python.
我认为你的意思是可视化特定层的激活?如果是这样,你只需要像这样为你想要的图像运行这一层的张量:
import matplotlib.pyplot as plt
# Model definition
...
conv1 = tf.layers.conv2d(inputs=input_layer, filters=32, kernel_size=[5, 5], padding="same", activation=tf.nn.sigmoid)
...
# Getting activations
acts = sess.run(conv1, {input_layer: your_image})
# Visualizing every filters
for i in range(acts.shape[3]):
plt.imshow(acts[:,:,:,i].squeeze())
plt.show()
如果您使用的是 Estimator,则可以使用 model_fn 中的 tf.summary.image() 直接可视化激活的演变:
# In model_fn
...
conv1 = tf.layers.conv2d(inputs=input_layer, filters=32, kernel_size=[5, 5], padding="same", activation=tf.nn.sigmoid)
acts_filters = tf.unstack(conv1, axis=3)
for i, filter in enumerate(acts_filters):
tf.summary.image('filter' + str(i), tf.expand_dims(filter, axis=3))
关于python - Tensorflow - 可视化预训练网络的学习过滤器,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51189573/