如何实现CNN特征层可视化？终于懂了...._cnn人脸特征可视化-优快云博客

本文链接：https://blog.youkuaiyun.com/jakpopc/article/details/121005005

本文介绍了如何可视化卷积神经网络（CNN）的特征层，通过建立网络模型、获取中间层输出并构建可视化模型，详细展示了从获取特征图到标准化显示的全过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

程序员宝藏库：https://github.com/Jackpopc/CS-Books-Store

现如今，谈起人工智能，对于大多数人来说已经不再陌生。

而作为其中比较热门的计算机视觉，更是吸引了一大批从业者。

但是，其中绝大多部分都“不知所以然”。搭建起开发环境，照搬一段代码，就认为大功告成，但是，到底数据进入网络中发生了什么？特征是什么样的，很多人都回答不上来。

本文，就来教大家如何如何可视化CNN网络层的特征图。

教程

废话不多说，我们先来建立一个网络模型：

model = tf.keras.models.Sequential（[
    
    tf.keras.layers.Conv2D（8，（3,3），激活='relu'，input_shape =（150,150,3）），
    tf.keras.layers.MaxPooling2D（2,2），
    
    tf.keras.layers.Conv2D（16，（3,3），激活='relu'），
    tf.keras.layers.MaxPooling2D（2,2），
    
    tf.keras.layers.Conv2D（32，（3,3），激活='relu'），
    tf.keras.layers.MaxPooling2D（2,2），
    
    tf.keras.layers.Flatten（），
    
    tf.keras.layers.Dense（1024，activation ='relu'），
    tf.keras.layers.Dense（512，activation ='relu'），
    
    tf.keras.layers.Dense（3，activation ='softmax'）    
 ]）

该模型的概括如下：

model.summary()

如上所示，我们具有三个卷积层，其后是MaxPooling层，两个全连接层和一个最终输出全连接层。

我们需要训练和拟合模型。因此，首先运行模型，然后才能得到特征图。只不过，在这里不演示这部分过程。

要生成特征图，需要用到model.layersAPI，接下来了解如何访问CNN中间层。

获取CNN网络层的名称

layer_names = [layer.name for layer in model.layers]
layer_names