keras特征图可视化实例(中间层)_卷集层可视化 - CSDN文库

81 浏览量更新于2023-03-16 评论收藏 89KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

keras 特征图可视化实例特征图可视化实例(中间层中间层)

鉴于最近一段时间一直在折腾的CNN网络效果不太理想，主要目标是为了检测出图像中的一些关键点，可以参考人脸的关键

点检测算法。

但是由于从数据集的制作是自己完成的，所以数据集质量可能有待商榷，训练效果不好的原因可能也是因为数据集没有制作好

（标点实在是太累了）。

于是想看看自己做的数据集在进入到网络后那些中间的隐藏层到底发生了哪些变化。

今天主要是用已经训练好的mnist模型来提前测试一下，这里的mnist模型的准确度已经达到了98%左右。

使用的比较简单的一个模型：使用的比较简单的一个模型：

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)

# 获得最后一层卷积层的输出

# 添加自己的全连接

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)

此模型已经训练好了，跑了10个epoch，验证集0.33

这里的效果还是很好的，┓( ´∀` )┏

下面在网上搞了张手写数字

使用网络进行预测，这里就先给出如何可视化第一层的卷积层的输出吧，哇哈哈

代码：

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)

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余1页未读，立即下载

评论0

weixin_38517904

粉丝: 4
资源: 967

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈