CNN训练可视化特征图（tensorflow2

原理介绍

---

卷积层由多个卷积核组成，可以将每个卷积核视为一种特征提取方式。当一个卷积核处理图像数据后，卷积核会提取图中的特征，形成新的特征图。

实例化VGG16

---

import tensorflow as tf

from tensorflow import keras

from tensorflow.keras.applications.vgg16 import VGG16

model = VGG16(weights=‘imagenet’)

model.summary()

加载图片并进行预处理

---

from tensorflow.keras.preprocessing import image

from tensorflow.keras.applications.vgg16 import preprocess_input, decode_predictions

from numpy as np

img_path = ‘0a0c3edd8a0bb0f5b4d6466c9a1af3c6-0.jpg’

#缩放

img = image.load_img(img_path,target_size=(224,224))

#显示图片

plt.imshow(img)

plt.show()

x = image.img_to_array(img)

#维度扩展

x = np.expand_dims(x,axis=0)

#图片预处理

x = preprocess_input(x)

加载图片

预测图片

---

preds = model.predict(x)

print(‘predicted’, decode_predictions(preds, top=3)[0])

获取指定层对应的输出

---

layer_names = [‘block1_conv1’,‘block3_conv1’,‘block5_conv1’]

#获取指定层的输出

layer_outputs = [model.get_layer(layer_name).output for layer_name in layer_names]

#获得模型指定层的输出

activation_model = keras.models.Model(inputs=model.input,outputs=layer_outputs)

#获得输出

activations = activation_model.predict(x)

first_layer_activation = activations[0]

plt.matshow(first_layer_activation[0,:,:,1],cmap=‘viridis’)

plt.show()

可视化CNN训练过程

---

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）

基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！**

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）