Visualizing convnet filters

1. 任务内容及目标

观察卷积网络学习到了什么。

2. 主要思路

随机输入噪声，优化指定滤波器的激活值，通过梯度增加的方式，修改输入图片，观察滤波器对什么图案响应比较高。

2.1 输入

随机初始化一张有点噪声的图，将图片输入网络

input_img_data = np.random.random((1, img_width, img_height, 3))
input_img_data = (input_img_data - 0.5) * 20 + 128

2.2 损失函数

损失函数的目标是最大可视化的滤波器的激活值
loss = K.mean(layer_output[:, :, ;, filter])

2.3 根据损失函数更新输入图片

计算损失函数对应的梯度，为了使损失函数更大，迭代input_img_data += grads_value * step调整输入的图片（固定权重，调整图片）

3．代码解析

3.1模型

不含全连接层的vgg16
model = vgg16.VGG16(weights='imagenet', include_top=False)

3.2 生成数据处理

生成的图片中的值可能不在[0,255]之间，所
以需要处理数据成为一张可以展示的图片

def deprocess_image(x):
    # normalize tensor: center on 0., ensure std is 0.1
    x -= x.mean()
    x /= (x.std() + K.epsilon())
    x *= 0.1

    # clip to [0, 1]
    x += 0.5
    x = np.clip(x, 0, 1)

    # convert to RGB array
    x *= 255
    x = np.clip(x, 0, 255).astype('uint8')
    return x

3.3 backend涉及到的一些函数

function(inputs, outputs, updates=[])
实例化一个Keras函数
参数：
• inputs:：列表，其元素为占位符或张量变量
• outputs：输出张量的列表
• updates：列表，其元素是形如<tf.Tensor ‘AssignAdd_9:0’ shape=() dtype=float32_ref>的张量.

gradients(loss, variables)
返回loss函数关于variables的梯度，variables为张量变量的列表

    grads = K.gradients(loss, input_img)[0]

    # normalization trick: we normalize the gradient
    grads = normalize(grads)

    # 返回输入图片的损失值和梯度
    iterate = K.function([input_img], [loss, grads])

来源：CSDN

作者：打酱油QAQ

链接：https://blog.csdn.net/qq_24906797/article/details/103578917

标签

keras

Visualizing convnet filters keras示例代码详解