1.33、激活可视化卷积神经网络(matalb)

1、激活可视化卷积神经网络原理及流程

激活可视化（Activation Visualization）指的是通过可视化神经网络中激活函数的输出，来理解神经网络是如何学习并提取特征的过程。在卷积神经网络（CNN）中，我们可以通过可视化激活来观察每个卷积层的特征图，从而更好地理解网络学到的特征。

以下是在MATLAB中激活可视化卷积神经网络的基本原理及流程：

1. 加载预训练的CNN模型：首先，需要加载预训练好的CNN模型，比如VGG、ResNet等。MATLAB提供了工具箱（如Deep Learning Toolbox）来支持加载和使用这些预训练模型。

2. 选择要可视化的卷积层：在加载模型后，选择要可视化的具体卷积层。一般来说，选择靠近输出层的卷积层效果比较好，因为这些层更抽象地表示了输入图像的特征。

3. 提取特征图：通过将输入图像传递给加载的CNN模型，并获取所选卷积层的输出特征图。在MATLAB中可以使用提供的函数来实现这一步骤。

4. 可视化激活：最后，可以通过将提取的特征图进行可视化，如绘制热图（heatmap）来展示每个特征图的激活程度。这可以帮助我们看到网络是如何在不同层次上学习到不同的特征，并理解其工作原理。

总的来说，激活可视化是一种强大的工具，可以帮助我们理解卷积神经网络的内部工作机制，以及网络是如何对输入数据进行处理和特征提取的。在MATLAB中，使用预训练模型和相应的工具函数可以相对容易地实现这一过程。

2、激活可视化卷积神经网络说明

1）方案

将图像馈送到卷积神经网络并显示网络的不同层的激活

2）实现

通过将激活区域与原始图像进行比较，检查激活并发现网络学习的特征。发现较浅层中的通道学习颜色和边缘等简单特征，而较深层中的通道学习复杂特征。

3、加载预训练的网络和数

1）加载预训练的网络和数据

代码

net = squeezenet;

2）读取并显示图像，保存图像大小

代码

im = imread('C:\Users\16023\Desktop\激活可视化卷积神经网络\CT1.png');
imshow(im)
imgSize = size(im);
imgSize = imgSize(1:2);

视图效果

4、查看网络架构

1）说明

卷积层使用可学习的参数执行卷积。网络学习识别有用的特征，通常每个通道对应一个特征。观察到第一个卷积层有 64 个通道。

图像输入层指定输入大小，可以在将图像通过网络之前调整图像大小，

2）实现代码

analyzeNetwork(net)<