基于keras的神经网络特征图可视化

最新推荐文章于 2024-05-26 16:39:37 发布

原创最新推荐文章于 2024-05-26 16:39:37 发布 · 977 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#大数据 #python

本文介绍如何使用Keras框架实现神经网络中间层特征图的可视化，并提供了详细的代码实例。通过对YOLOv3模型的特定层输出进行可视化，有助于理解模型的工作原理。

部署运行你感兴趣的模型镜像

# coding: utf-8
import time

import cv2
import numpy as np
from PIL import Image

from yolact import YOLACT
from keras.models import Model
import cv2
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers.convolutional import Convolution2D, MaxPooling2D
from keras.layers import Activation
from pylab import *
from utils.utils import (get_classes, get_coco_label_map,
                         show_config)
from keras import backend as K
from nets.yolact import get_train_model, yolact





def get_row_col(num_pic):
    squr = num_pic ** 0.5
    row = round(squr)
    col = row + 1 if squr - row > 0 else row
    return row, col


def visualize_feature_map(img_batch):
    feature_map = np.squeeze(img_batch, axis=0)
    print(feature_map.shape)

    feature_map_combination = []
    plt.figure()

    # num_pic = feature_map.shape[2]# 标记2
    num_pic =10
    print('num_pic', num_pic)
    row, col = get_row_col(num_pic)

    for i in range(0, num_pic):
        feature_map_split = feature_map[:, :, i]  # 标记3
        feature_map_combination.append(feature_map_split)
        plt.subplot(row, col, i + 1)
        plt.imshow(feature_map_split)
        axis('off')
        title('feature_map_{}'.format(i))

    # plt.savefig('feature_map.png')
    plt.show()

    # 各个特征图按1：1 叠加
    feature_map_sum = sum(ele for ele in feature_map_combination)
    plt.imshow(feature_map_sum)
    # plt.savefig("feature_map_sum.png")




if __name__ == "__main__":

    img = cv2.imread('./img/0.jpg')
    input_shape = [544, 544]
    img=cv2.resize(img,(544,544))
    plt.imshow(img)
    classes_path = 'model_data/shape_classes.txt'
    class_names, num_classes = get_classes(classes_path)
    num_classes = num_classes + 1
    model_body = yolact([input_shape[0], input_shape[1], 3], num_classes, train_mode=True)
    model_body.summary()



    model = Model(inputs=model_body.input, outputs=model_body.get_layer(name="proto_net.proto2.2").output)  # 标记0

    print('img ', img.shape)
    img_batch = np.expand_dims(img, axis=0)
    print('img_batch', img_batch.shape)
    conv_img = model.predict(img_batch)  # conv_img 卷积结果
    print('conv_img.shape', conv_img.shape)

    visualize_feature_map(conv_img)

通过model.summary可以获得各个层的名字，通过名字进行索引。可以将每一层的特征图进行输出

在此由衷感谢，特此记录，有啥不懂的欢迎讨论(4条消息) keras如何可视化模型预测时的中间特征图，网络模型如何可视化中间层特征图以及如何打印网络结构_EvaJason的博客-优快云博客

您可能感兴趣的与本文相关的镜像

Yolo-v5

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎