keras得到每層的系數(shù)方式

更新時(shí)間：2020年06月15日 10:54:33 作者：masbbx123

這篇文章主要介紹了keras得到每層的系數(shù)方式，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧

使用keras搭建好一個(gè)模型，訓(xùn)練好，怎么得到每層的系數(shù)呢：

weights = np.array(model.get_weights())
print(weights)
print(weights[0].shape)
print(weights[1].shape)

這樣系數(shù)就被存放到一個(gè)np中了。

補(bǔ)充知識：使用keras框架編寫的深度模型輸出及每一層的特征可視化

使用訓(xùn)練好的模型進(jìn)行預(yù)測的時(shí)候，為分析效果，通常需要對特征提取過程中的特征映射做可視化操作

本文以keras為例，對特征可視化操作進(jìn)行詳解。

一、首先，對模型的最后輸出層進(jìn)行特征可視化

from keras import models
#使用matlpotlib模塊進(jìn)行繪圖的操作
import matplotlib.pylot as plt
#images是一個(gè)batch的輸入圖像，batch_input[batch圖像數(shù)量，尺寸高，尺寸寬，3（rgb通道數(shù)量）]
#model是訓(xùn)練好的模型
#model = load_model('path')
nb_images = len(images)
batch_input = np.zeros((nb_images, net_h, net_w, 3))

# preprocess the input
for i in range(nb_images):
 batch_input[i] = preprocess_input(images[i], net_h, net_w)  

# run the prediction
#batch_output為一個(gè)樣本的所有通道輸出特征映射，本文應(yīng)用特征金字塔結(jié)構(gòu)，有三個(gè)維度的特征提取層
#batch_output[0]是第一個(gè)維度的特征提取層所有通道的輸出特征映射，四維，本文例子中為[1, 52, 52, 72]
#[一個(gè)樣本，尺寸，尺寸，通道數(shù)]

#也可以是batch_output = model.predict(batch_input)
batch_output = model.predict_on_batch(batch_input)
batch_boxes = [None]*nb_images
print(batch_output[0].shape)
#display feature map

#下面為歸一化到0-255空間內(nèi)
xx = batch_output[0]
max = np.max(xx)
print(max,"max value is :")
X_output = X_output .astype("float32") / max * 255

#下面的30為第30個(gè)通道
X_output = xx[0,:,:,30]

#使用matplotlib顯示圖像
plt.figure()
plt.imshow(X_output, cmap='viridis')
plt.show()

#輸出結(jié)果

原始圖像

輸出層的特征可視化

二、可視化某一層的特征映射

from keras import backend as k
from keras import models
import matplotlib.pylot as plt
model = load_model('...')
layer_1 =k.function([model.layers[0].input], [model.layers[1].output])

#第2個(gè)model,layers[]改成你想顯示的層數(shù)
f1 = layer_1[input_image][0]
f1.image = f1[0,:,:,channel]
plt,matshow(f1.image, camp='viridis')
plt.show()

示例：

from keras import models
import matplotlib.pylot as plt
from keras import backend as k
#images是一個(gè)batch的輸入圖像，batch_input[batch圖像數(shù)量，尺寸高，尺寸寬，3（rgb通道數(shù)量）]
#model是訓(xùn)練好的模型
#model = load_model('path')
nb_images = len(images)
batch_input = np.zeros((nb_images, net_h, net_w, 3))

# preprocess the input
for i in range(nb_images):
 batch_input[i] = preprocess_input(images[i], net_h, net_w)  
#display feature map

#可視化第一層的特征映射
layer_1 = K.function([model.layers[0].input], [model.layers[1].output])
f1 = layer_1([batch_input])[0]
print(f1.shape)
max = np.max(f1)
f1 =f1.astype("float32") / max * 255
plt.figure()

#顯示第一層網(wǎng)絡(luò)前5個(gè)通道的特征映射
for i in range(5):
 plt.subplot(2, 3, i+1)
 plt.imshow(f1[0,:,:,i], cmap='viridis')
plt.show()

輸出結(jié)果：