标签：map 14 卷积 feature filter 实现 神经网络 可视化

11.1 卷积神经网络的实现

传送门： https://www.cnblogs.com/greentomlee/p/12314064.html

github: Leezhen2014: https://github.com/Leezhen2014/python_deep_learning

 

本篇会实现一个名为 SampleNet的简单神经网络，该神经网络会使用到 第九章实现的conv 操作和第十章中实现的pooling操作。SimpleNet是用来检验我们实现的Op 是否正确，所采用的数据集依旧是 mnist;

结构大致如下：

具体代码详情见 https://github.com/Leezhen2014/python_deep_learning

 

程序的输出：

=============== Final Test Accuracy ===============

test acc:0.9882

 

11.2 神经网络的可视化

回顾前几张我们已经做到的事情：

1. 我们实现了conv+pool的操作，并利用自己写的conv/pooling 实现了一个网络；

2. 我们将网络训练后的权重保存到了一个pkl中；

3. 我们简单的测试了一下网络加载权重的功能；

实现以上的3个步骤以后，我们还可在可视化上做一些事情：

1. 实现filter的可视化： 这个很简单了，就是将训练好的文件（*.plk）重新加载到网络，然后把权重画出来；这里用到了skimage

2. 实现了feature map的可视化：这里的实现思路是： 1. 加载已经训练好的网络权重 --> 2.将一张图片作为训练样本输入 --> 3.  保存每一次filter产生的feature map;

因此本章的两个重点是 对filter 和feature map的可视化；

11.2.1 filter的可视化

分析： 由于我们在之前的训练神经网络的时候把权重weight都保存到w[1],w[2]中，因此只需要加载一个已经训练好的神经网络，然后将filter可视化即可；

代码详情见 python_deep_learning\src\test\testVisibaleFilter.py

Filter的可视化效果如下：

11.2.2 Feature map的可视化

Feature map 的可视化比较复杂一些，假设我们需要获取conv 层输出的feature map； 需要先获取conv层的引用；

目前的SimpleNet中并没有提供获取layer成员的方法，因此我们需要现在SimpleNet中添加getLayer();

具体的实现也很简单：

  1 def getLayers(self):
  2     """
  3     add by 2021/04/01
  4     for feature map Visualization
  5     """
  6     return self.layers
  7 
  8 有了这个方法后，当我们加载权重文件以后，就能够获取每层输出的特征图了， 具体的使用方法如下：
  9 network = SimpleConvNet()
 10 network.load_params("params.pkl")
 11 # load data
 12 (x_train, t_train), (x_test, t_test) = load_mnist(flatten=True, normalize=False)
 13 x = x_test[0].reshape(1,1,28,28)
 14 # result=network.predict(x)
 15 # y = np.argmax(result)
 16 # print(y)
 17 # shou input
 18 
 19 ### show featurn map
 20 conv1=network.getLayers()['Conv1']
 21 feature_maps = conv1.forward(x)
 22 print("shape of feature_map :",str(feature_maps.shape)) # (1, 30, 24, 24)
 23 

 

详情代码见：github )

代码运行后，对特征途的可视化效果如下：

标签：map,14,卷积,feature,filter,实现,神经网络,可视化
来源： https://www.cnblogs.com/greentomlee/p/16686940.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。