深度学习代码--简单卷积神经网络的可视化分析实现-CSDN博客

# coding: utf-8
import sys, os
sys.path.append(os.pardir)  # 为了导入父目录的文件而进行的设定
import numpy as np
import matplotlib.pyplot as plt
from simple_convnet import SimpleConvNet
from matplotlib.image import imread
from common.layers import Convolution

def filter_show(filters, nx=4, show_num=16):
    """
    c.f. https://gist.github.com/aidiary/07d530d5e08011832b12#file-draw_weight-py
    """
    FN, C, FH, FW = filters.shape
    ny = int(np.ceil(show_num / nx))

    fig = plt.figure()
    fig.subplots_adjust(left=0, right=1, bottom=0, top=1, hspace=0.05, wspace=0.05)

    for i in range(show_num):
        ax = fig.add_subplot(4, 4, i+1, xticks=[], yticks=[])
        ax.imshow(filters[i, 0], cmap=plt.cm.gray_r, interpolation='nearest')


network = SimpleConvNet(input_dim=(1,28,28), 
                        conv_param = {'filter_num':30, 'filter_size':5, 'pad':0, 'stride':1},
                        hidden_size=100, output_size=10, weight_init_std=0.01)

# 学习后的权重
network.load_params("params.pkl")

filter_show(network.params['W1'], 16)

img = imread('../dataset/lena_gray.png')
img = img.reshape(1, 1, *img.shape)

fig = plt.figure()

w_idx = 1

for i in range(16):
    w = network.params['W1'][i]
    b = 0  # network.params['b1'][i]

    w = w.reshape(1, *w.shape)
    #b = b.reshape(1, *b.shape)
    conv_layer = Convolution(w, b) 
    out = conv_layer.forward(img)
    out = out.reshape(out.shape[2], out.shape[3])
    
    ax = fig.add_subplot(4, 4, i+1, xticks=[], yticks=[])
    ax.imshow(out, cmap=plt.cm.gray_r, interpolation='nearest')

plt.show()

✅ 1. 导入库与路径设置

import sys, os
sys.path.append(os.pardir)  # 为了导入父目录的文件而进行的设定
import numpy as np
import matplotlib.pyplot as plt
from simple_convnet import SimpleConvNet
from matplotlib.image import imread
from common.layers import Convolution

这里设置了 sys.path.append(os.pardir)，把父目录加入 Python 路径，目的是为了能够导入父目录下的模块 simple_convnet 和 common.layers。
SimpleConvNet 是一个简单卷积神经网络的封装类。
Convolution 是定义卷积层的类。
用 imread 读取灰度图像。

✅ 2. 显示卷积核

def filter_show(filters, nx=4, show_num=16):
    """
    filters: 卷积核权重
    nx: 横向排列多少个
    show_num: 总共显示多少个卷积核
    """
    FN, C, FH, FW = filters.shape  # FN=卷积核个数, C=输入通道数, FH/FW=卷积核尺寸
    ny = int(np.ceil(show_num / nx))  # 计算纵向排列的数量

    fig = plt.figure()
    fig.subplots_adjust(left=0, right=1, bottom=0, top=1, hspace=0.05, wspace=0.05)

    for i in range(show_num):
        ax = fig.add_subplot(4, 4, i+1, xticks=[], yticks=[])
        ax.imshow(filters[i, 0], cmap=plt.cm.gray_r, interpolation='nearest')

作用：
- 将卷积核 filters 可视化。
- 这里只显示每个卷积核第一个通道（因为输入是灰度图，C=1）。
使用 plt.cm.gray_r 是为了反转灰度，使得卷积核特征更清晰。

✅ 3. 创建神经网络 & 加载权重

network = SimpleConvNet(input_dim=(1,28,28), 
                        conv_param = {'filter_num':30, 'filter_size':5, 'pad':0, 'stride':1},
                        hidden_size=100, output_size=10, weight_init_std=0.01)

network.load_params("params.pkl")

SimpleConvNet 初始化一个简单卷积网络：
- 输入尺寸：1x28x28
- 卷积层：
  - 30个 5x5 的卷积核
  - 不做 padding (pad=0)，步长 stride=1
- 后面接一个全连接层：100 个隐藏单元，最后输出 10 类。
用 load_params() 从文件 params.pkl 加载训练好的权重。

✅ 4. 显示卷积层的权重

filter_show(network.params['W1'], 16)

network.params['W1'] 是卷积层第 1 层的权重，形状是 (FN, C, FH, FW)。
这里显示前 16 个卷积核。

✅ 5. 读取图片

img = imread('../dataset/lena_gray.png')
img = img.reshape(1, 1, *img.shape)

读取一张灰度 Lena 图片。
reshape 成 NCHW 格式：
- N=1（batch size）
- C=1（通道数）
- H, W=图像高宽

✅ 6. 用卷积核做卷积并显示结果

fig = plt.figure()

for i in range(16):
    w = network.params['W1'][i]  # 取第i个卷积核
    b = 0  # 不使用偏置

    w = w.reshape(1, *w.shape)  # reshape成卷积层需要的格式
    conv_layer = Convolution(w, b)  # 创建一个卷积层
    out = conv_layer.forward(img)  # 对 Lena 图做卷积
    out = out.reshape(out.shape[2], out.shape[3])  # 取出卷积结果

    ax = fig.add_subplot(4, 4, i+1, xticks=[], yticks=[])
    ax.imshow(out, cmap=plt.cm.gray_r, interpolation='nearest')