Tensorflow2.0 卷积神经网络可视化 （一）中间特征层可视化

最新推荐文章于 2025-03-13 23:59:13 发布
最新推荐文章于 2025-03-13 23:59:13 发布
阅读量9.8k 收藏 135
点赞数 15
分类专栏： Tensorflow 学习笔记 卷积神经网络 计算机视觉 文章标签： 卷积 深度学习 神经网络 tensorflow 可视化
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Forrest97/article/details/105895087
版权
本文介绍了如何在Tensorflow2.0中使用VGG16网络对图像的中间特征层进行可视化。通过加载图片并构建多特征层输出模型，观察不同层对图像特征的捕捉，揭示随着网络深度增加，特征抽象度和激活稀疏度的变化。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录标题

中间特征层可视化

导入ImageNet VGG16网络

导入基础包

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf

导入ImageNet VGG16网络

VGG16_model = tf.keras.applications.VGG16(include_top=True)
VGG16_model.summary()

加载任一图片

随便网上找一张图，比如使用率最高的猫星人
在这里插入图片描述
读取本地图片

def prepocess(x):
    x = tf.io.read_file(x)
    x = tf.image.decode_jpeg(x, channels=3)
    print(x.shape)
    x = tf.image.resize(x, [224,224])
    x = tf.cast(x, dtype=tf.float32)/255.
    return x

img_path='Cat.jpg'
img=prepocess
最低0.47元/天 解锁文章
Tensorflow2.0 卷积神经网络
Xpy_021101的博客
03-02 333
3层神经网络 ，括号中的第一个参数表示神经元的数量，最后一个有10个单元，因为数据集中有10类标签，这里应该匹配，第一层是一个扁平层输入的形状是28x28，因为我们的图像就是28x28，扁平化是将这个28x28的正方形变成一个简单的线性阵列，中间一层是隐藏层有128个神经元。conv卷积层，要求Keras为我们生成64个过滤器，过滤器是3x3，激活函数是Relu，意味着负值会被丢弃，最后输入形状和之前一样为28x28，通道是1，即灰度图像。优化器是sgd，代表随机梯度下降，损失函数是均方误差。
Tensorflow2.0 卷积神经网络可视化 （三）类激活热力图 （CAM，class activation map）
Forrest97的博客
05-03 1万+
在神经网络分别中，我们不仅想知道最终预测结果，还需要了解网络是凭借图像什么特征进行判断的。其中类激活热力图 (CAM，class activation map）就是一种很好的呈现方式。 目录标题类激活热力图 (CAM，class activation map）导入ImageNet VGG16网络加载任一图片构建多特征层输出模型应用Grad-CAM 算法绘制激活热力图前三类结果比较参考 类激活热力图...
CNN（卷积神经网络）中间层可视化
weixin_46515047的博客
12-29 1299
卷积神经网络中间层可视化——简单方法
卷积神经网络可视化
最新发布
mqsdfghjk的博客
03-13 1843
卷积神经网络（CNN）的可视化是理解模型行为、调试性能和解释预测结果的重要工具。通过合理使用可视化技术，可显著提升 CNN 模型的可解释性和性能，尤其在医疗、自动驾驶等对安全性要求高的领域具有重要价值。
Tensorflow 特征图可视化
weixin_43917589的博客
03-04 1518
使用Tensorflow对特征图进行可视化输出 training_transform和process_image这两个函数目的是resize时，保证原图比例不变的情况下，使用黑边填充 # -*- coding: utf-8 -*- import cv2 import numpy as np from tensorflow.keras.applications.vgg16 import VGG16 from tensorflow.keras.models import Model def trainin
VGG16卷积神经网络--TensorFlow2
一只AI小白
04-14 821
VGG16卷积神经网络--TensorFlow2结果展示loss和acc曲线计算参数程序 结果展示 loss和acc曲线 epoch = 10 acc = 90.02% 计算参数 程序 # -*- coding: utf-8 -*- """ Created on Tue Apr 14 2020 @author: jiollos """ # 导入包 import tensorflow as tf...
​TensorFlow 2.0 模型：卷积神经网络
weixin_40920183的博客
10-14 558
文 /李锡涵，Google Developers Expert本文节选自《简单粗暴 TensorFlow 2.0》本篇文章则以在图像领域常用的卷积神经网络为主题，介绍以下内容：如何使...
《TensorFlow2.0》二、卷积神经网络在TensorFlow2.0中的应用 part 1
Tian121381的博客
03-27 948
Python版本： Python3.x 运行平台： Windows IDE： jupyter / Colab 转载请标明出处：https://blog.csdn.net/Tian121381 目录一、前言二、猫狗二分类模型用卷积神经网络处理更复杂的图像从零开始建立一个小模型，精度达到〜72％数据预处理训练运行模型补充np.vstack(）函数可视化中间层评估模型的准确性和损失 一、前言 在上一...
TensorFlow 2.0 深度学习实战 —— 浅谈卷积神经网络 CNN
风尘浪子
03-28 3670
卷积神经网络 CNN（Convolutional Neural Networks，ConvNet）是一种特殊的深度学习神经网络，近年来在物体识别、图像重绘、视频分析等多个层面得到了广泛的应用。本文将介绍 CNN 卷积神经网络的基本原理和基础概念，卷积层与池化层的作用，并以常用的 VGG16 为例子，介绍常用模型的使用方式。把中间激活层输出图，滤波器，热力图等进行可视化分析，让大家进一步了解 CNN 的结构特征。
卷积神经网络CNN:Tensorflow实现(以及对卷积特征的可视化)
热门推荐
机器会学习的博客
07-04 6万+
本文主要是实现了一个简单的卷积神经网络,并对卷积过程中的提取特征进行了可视化. 卷积神经网络最早是为了解决图像识别的问题,现在也用在时间序列数据和文本数据处理当中,卷积神经网络对于数据特征的提取不用额外进行,在对网络的训练的过程当中,网络会自动提取主要的特征. 卷积神经网络直接用原始图像的全部像素作为输入,但是内部为非全连接结构.
计算机视觉可解释性——卷积神经网络中间层的可视化
对方正在输入中...
10-18 7723
这段代码的步骤大致如下： 1.处理单张图作为网络的输入。 2.根据给定的layer层，获取该层输出结果features。 3.考虑到features的形状为[batch_size, filter_nums, H, W],提取其中第一个过滤器得到的结果的feature。 4.以一张图作为输入的情况下，我们得到的feature即为[H,W]大小的tensor 5.将tensor转为numpy，然后归一化[0,1]，最后乘以255，使得范围为[0,255]。 6.得到灰度图像保存。 ———————————————
tensorflow特征图可视化
weixin_41396062的博客
12-03 9415
代码是基于《实战GOOGLE深度学习框架》书中手写数字识别的示例， 做了一些修改 inference函数最后的返回处加上某一层，比如conv1 修改train函数中y=inference() a,b,c,d,e=sess.run([conv1_img,pool1_img,conv2_img,conv3_img,pool3_img],feed_dict={x:_x_}...
卷积神经网络中间层特征图的可视化
南城以北的博客
05-21 703
如果 PIL Image 属于 (L, LA, P, I, F, RGB, YCbCr, RGBA, CMYK, 1) 中的一种图像类型，或者 numpy.ndarray 的数据类型是 np.uint8，则将像素值从 [0, 255] 归一化到 [0.0, 1.0]，这是通过将每个像素值除以 255 来实现的；图片经过 ReLU 层后，得到的特征图大小为：torch.Size([1, 8, 960, 960])图片经过卷积层后，得到的特征图大小为：torch.Size([1, 8, 960, 960])
卷积神经网络中间结果可视化
adurey的博客
04-08 1060
pytorch默认只保存最后一层的输出，中间层输出默认不保存，要提取中间层网络输出值，需要使用回调函数register_forward_hook()，通过传入处理函数，便可以提取和保存特点网络层的输出值。 class ActivationData(): #网络输出值 outputs = None def __init__(self,layer): #在模型的layer_num层上注册回调函数，并传入处理函数hook_fn self.hook = layer.register_forward_h
深度学习——pytorch卷积神经网络中间特征层可视化
千禧皓月的博客
01-25 2952
在我们使用神经网络的过程中，经常会好奇中间的网络到底学到了些什么，所以常常想用可视化的方法来输出这些特征层，所以惊天带大家用一个简易的网络来输出这些特征层。
Tensorflow+VGG16实现卷积神经网络特征图可视化
我是小蚂蚁
01-03 2万+
使用Tensorflow和vgg16预训练好的模型实现了卷积神经网络中特征图（feature map）的可视化，可以更明了的知道这个黑箱中到底发生了什么。 卷积神经网络特征图可视化 代码如下： # -*- coding:utf-8 -*- import numpy as np import tensorflow as tf import time from PIL import Image im...
利用TensorFlow使卷积神经网络各层及卷积特征可视化
qq_40716944的博客
04-26 1万+
本文主要是实现卷积神经网络进行手写字体的识别，利用TensorFlow对卷积过程中的提取特征进行了可视化。具体代码如下：# -*- coding: utf-8 -*-"""Created on Thu Apr 26 14:37:30 2018@author: Administrator"""#导入所需要的库import numpy as npimport tensorflow as tfimpor...
TensorFlow利用卷积实现图像可视化
算法与编程之美
08-29 1118
欢迎点击「算法与编程之美」↑关注我们！本文首发于微信公众号："算法与编程之美"，欢迎关注，及时了解更多此系列文章。欢迎加入团队圈子！与作者面对面！直接点击！问题描述在学习......
tensorflow2.0(二)----卷积神经网络(CNN)
weixin_43648821的博客
12-01 435
使用Keras实现卷积神经网络 class CNN(tf.keras.Model): def __init__(self): super().__init__() self.conv1 = tf.keras.layers.Conv2D( filters = 32, kernel_size=[5,5], padding = 'same', activation = tf.nn.relu) self.pool1 = tf.keras.layers.MaxPool2D(poo
评论 18
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值