tensorflow学习备注2-特征提取

还是上面的网络，我们输出各个层的权值看看

len(model.layers[0].weights)=2，

weights[0],

<tf.Variable 'conv2d/kernel:0' shape=(3, 3, 1, 32) dtype=float32

weights[1]

<tf.Variable 'conv2d/bias:0' shape=(32,) dtype=float32,

要输出第一个卷积的值：

model.layers[0].weights[0][:,:,:,0]

model.layers[0].weights[0][:,:,:,0].shape=TensorShape([3, 3, 1])

输出第一个层的32个卷积图

我们来计算一下这个网络的参数

参数个数和输入图像的大小直接关系。和卷积数，channel数有关。

input shape=28*28*1

Model: "sequential" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= conv2d (Conv2D) (None, 26, 26, 32) 320 _________________________________________________________________ max_pooling2d (MaxPooling2D) (None, 13, 13, 32) 0 _________________________________________________________________ conv2d_1 (Conv2D) (None, 11, 11, 64) 18496 _________________________________________________________________ max_pooling2d_1 (MaxPooling2 (None, 5, 5, 64) 0 _________________________________________________________________ flatten (Flatten) (None, 1600) 0 _________________________________________________________________ dropout (Dropout) (None, 1600) 0 _________________________________________________________________ dense (Dense) (None, 10) 16010 ================================================================= Total params: 34,826 Trainable params: 34,826 Non-trainable params: 0

 320=32*（3*3+1）

18496=64*【32*（3*3）+1】，32个核对应的是32个通道，就像rgb图像的3个通道一样。

从参数计算可以更清楚的看到网络结构。28*28*1的图像经过第一次卷积后，图像变成了32幅，26*26*32，对应的是经过32个卷积过滤后的图像。然后对这32个图像的每个图像用一个3*3的卷积核过滤，relu后输出，共用一个b。

有没有可能还是在原始图上做卷积？构建一个扁平化的网络结构？生产更加自定义结构的网络能做吗？留待后面再看吧。

经过一次卷积后的32个图像，可以画出来看看

feature_extractor = keras.Model(

    inputs=model.inputs,

    outputs=[layer.output for layer in model.layers],

)

d=x_test[0:1]#这样才能获取到(none,28, 28, 1)的结构

l=y_test[0] #7

plt.imshow(d[0],plt.cm.gray)

feature_extractor.input_shape #(none,28, 28, 1)

d.shape #(1，28, 28, 1)

features = feature_extractor(d)

plt.figure(figsize=(10,10))

for i in range(32):

    x=features[0][0,:,:,0] #features[0]是第0层的输出，详见上面关于feature_extractor的定义，

    plt.subplot(6,6,i+1)

    plt.imshow(x,cmap=plt.cm.gray)

plt.show()

7经过第一层卷积后得到的图

 经过第二层卷积的图，features[1]

 到这里，卷积的特征提取就比较明显了。