深度学习（6）--神经风格迁移与可视化卷积神经网络（tensorflow实现，可视化卷积神经网络，卷积核输出源码）

对神经风格迁移有个大致理解，实现应该是件有趣的事情。对可视化卷积神经网络进行研究，代码测试。

上一篇：深度学习（5）--目标检测小总结（目标检测，人脸识别，目标识别与定位，YOLO算法，bounding box，边框回归）https://blog.csdn.net/qq_36187544/article/details/92795952

下一篇：深度学习（7）-RNN（网络模式，典型应用场景，梯度修剪，GRU,LSTM,双向RNN，深度RNN）https://blog.csdn.net/qq_36187544/article/details/93052465

---

目录

神经风格迁移

可视化理解卷积神经网络

卷积核输出的可视化源码

---

神经风格迁移

很有趣的一个应用，利用内容（content,C）和风格(style,S)生成新图像，这叫神经风格迁移，这是一个生成的过程：

在训练网络时，代价函数分为两部分，一部分为内容代价函数，一部分为风格代价函数，αβ为权重系数：

---

可视化理解卷积神经网络

可视化CNN每一层输出可以帮助理解CNN到底学习到了什么，一般来讲，浅层学习到的是基本特征（比如线条），越高层学习到的特征越深入（比如一张完整图像）。

卷积核输出的可视化(Visualizing intermediate convnet outputs (intermediate activations)，即可视化卷积核经过激活之后的结果。能够看到图像经过卷积之后结果，帮助理解卷积核的作用
卷积核的可视化(Visualizing convnets filters)，帮助我们理解卷积核是如何感受图像的
热度图可视化(Visualizing heatmaps of class activation in an image)，通过热度图，了解图像分类问题中图像哪些部分起到了关键作用，同时可以定位图像中物体的位置。（这篇文章介绍的挺好：https://blog.csdn.net/weiwei9363/article/details/79112872）

卷积核输出的可视化源码

其实这个过程较为简单，做个记录，主要分为几步：1.微修改网络，输出中间层，2.sess.run输出具体tensor值，3.可视化

首先略微修改网络，让其能够输出某一层的参数，如下，skljdfasf这个参数就是想要输出的InceptionV3网络的某中间层：

在网络返回参数时添上这个中间层参数：

调用这个网络返回也得相应修改，out11111就是获取了中间层：

sess.run输出具体值：

再对具体值输出成图片：

# 注意，这里的output_img的shape应当为[?,?]或者[?,?,3]这种数据输出。这里out_howjdfk输出shape为(1,13,221,64)，所以out_howjdfk[0][:,:,0]表示通道一的图
output_img = np.hstack([out_howjdfk[0][:,:,0]])
# vstack在竖直方向上堆叠，因为这里的图片是长条形，所以竖直堆叠看的清一些
# output_img = np.vstack([out_howjdfk[0][:,:,i] for i in range(len(out_howjdfk[0][0][0]))])
cv2.namedWindow('ouput_image', cv2.WINDOW_AUTOSIZE)
cv2.imshow('ouput_image', output_img)
cv2.waitKey(0)

竖直堆叠输出，原图都是试纸，可以看见基本的雏形：