CNN
文章平均质量分 54
windawdaysss
学习使人进步
展开
-
可视化类激活的热力图
前言类激活图(CAM,class activation map)技术有助于帮助我们了解一张图像的那一部分让卷积神经网络作出最终的分类决策,它对于输入图像的每个位置都进行计算,表示每个位置对该类别的重要程度。一、加载VGG16网络权重from keras.applications.vgg16 import VGG16model = VGG16(weights='./VGG16_fc.h5') # 包含最后的全连接层二、为VGG16模型预处理一张输入图像from keras.preproc原创 2020-08-07 18:59:55 · 2376 阅读 · 0 评论 -
可视化CNN的过滤器
前言可视化卷积神经网络中学习到的过滤器,一种简单的方法是显示每个过滤器所响应的视觉模式。这里我们知查看每个卷积块的第一层的前64个滤波器,输出的是8x8的网格,每个网格是64x64像素的过滤器模式,每个过滤器模式之间留有一些黑边。一、将张量转换为有效图像import numpy as npdef deprocess_image(x): x -= x.mean() x /= (x.std() + 1e-5) x *= 0.1 # 均值为0, 标准差原创 2020-08-04 18:18:20 · 1784 阅读 · 1 评论 -
可视化卷积神经网络的 中间激活
前言可视化卷积神经网络连续的层如何对输入进行变换有助于了解卷积神经网络每个过滤器的含义。一、加载模型加载https://blog.csdn.net/weixin_40356612/article/details/107639569文章中保存的模型。from keras.models import load_modelmodel = load_model('cats_and_dogs_small_2.h5')二、单张图片处理from keras.preprocessing import im原创 2020-08-03 15:27:54 · 502 阅读 · 1 评论 -
使用预训练的VGG16卷积基作特征提取
前言将深度学习用于小型图像数据集,一种常用且高效的方法是使用预训练的网络。预训练网络是一个在大型数据集上训练好的模型,因为训练数据集足够大,使的该模型学到的特征的空间层次结构可以有效地作为视觉世界的通用模型,所以可以将这些特征用于各种不同的计算机视觉任务,即使新问题涉及的类别和原始任务完全不同。使用预训练网络有两种方法:1、特征提取;2、微调模型。本文主要阐述第一种方法。一、VGG16模型权重下载from keras.applications import VGG16conv_base = V原创 2020-07-30 15:12:21 · 2921 阅读 · 5 评论 -
CNN之猫狗图像分类--加入Dropout和数据增强
前言在上一篇https://blog.csdn.net/weixin_40356612/article/details/107636725文章中是从头开始训练一个猫狗分类模型,出现了过拟合,本节添加Dropout和数据增强技术来防止过拟合。一、在模型中添加Dropoutfrom keras import layersfrom keras import modelsfrom keras import optimizersmodel = models.Sequential()model.add原创 2020-07-28 17:14:37 · 1390 阅读 · 3 评论 -
CNN之GoogLeNet
CNN之GoogLeNet转载自如下链接转载 2019-01-18 13:47:34 · 194 阅读 · 0 评论