25、基于激活方法可视化卷积神经网络学习过程

基于激活方法可视化卷积神经网络学习过程

在卷积神经网络（CNN）中，我们可以通过堆叠额外的卷积层来捕获更大的特征表示。随着滤波器的宽度和高度变小，学习到的特征表示会更大。例如，第一个卷积层可能关注纹理等细节，第二个关注边缘，最后一个关注形状。之后，我们需要将卷积层的输出展平，以便输入到多层感知机中。

中间激活

在推理过程中，图像会通过网络的每一层，最终得到预测结果。而顺序和分层架构的一个优点是，我们可以提取任意层的输出，而不仅仅是最后一层。中间激活就是卷积层或池化层的输出，经过激活函数处理后，较亮的区域对应图像的特征。

以下是提取中间激活的具体步骤：
1. 创建一个包含卷积层名称的列表 target_layers ：

target_layers = ['conv2d_1', 'conv2d_2', 'conv2d_3', 'conv2d_4']

2. 初始化一个 tf_explain 解释器：

explainer = ExtractActivations()

3. 遍历所有目标层和所有牛油果真阳性验证样本，生成每个层和样本组合的激活图：

for target_layer in target_layers: