如何直接从CNN图层可视化要素地图
先决条件：-
读者知道如何生成CNN模型。
读者了解可训练的参数计算以及各个中间层的输入和输出的大小。
重要提示：-
在这里，我们只关心构建CNN模型并检查其特征图。我们不关心模型的准确性。
现在，在不浪费时间的情况下，让我们建立一个模型：
我们创建具有三个类的多类模型。
model = tf.keras.models.Sequential（[
    tf.keras.layers.Conv2D（8，（3
    tf.keras.layers.MaxPooling2D（2
    tf.keras.layers.Conv2D（16，（3
    tf.keras.layers.MaxPooling2D（2
    tf.keras.layers.Conv2D（32，（3
    tf.keras.layers.MaxPooling2D（2
    tf.keras.layers.Flatten（），
    tf.keras.layers.Dense（1024，activation ='relu'），
    tf.keras.layers.Dense（512，activation ='relu'），
    tf.keras.layers.Dense（3，activation ='softmax'）   
]）
该模型的摘要是：
model.summary（）
模型总结
正如我们在上面看到的，我们具有三个卷积层，其后是MaxPooling层，两个密集层和一个最终输出密集层。
注意：-我们需要编译和拟合模型。因此，首先运行模型，然后才能运行特征图。我没有在这里显示所有这些步骤。
要生成要素图，我们需要了解model.layers API。
访问CNN的中间层：
让我们了解如何访问CNN的中间层。
获取CNN层的名称：-
layer_names = [model.layers中图层的layer.name]
layer_names
输出为：
['conv2d'，
'max_pooling2d'，
“ conv2d_1”，
'max_pooling2d_1'，
“ conv2d_2”，
'max_pooling2d_2'，
“扁平化”
'稠密'，
“ dense_1”，
'dense_2']
检查图层：
模型层
它返回图层列表，如下所示：
[<tensorflow.python.keras.layers.convolutional.Conv2D at 0x2510de50e48>，
<tensorflow.python.keras.layers.pooling.MaxPooling2D at 0x25124b740c8>，
<tensorflow.python.keras.layers.convolutional.Conv2D在0x25124b74748>，
<tensorflow.python.keras.layers.pooling.MaxPooling2D at 0x25124b74d48>，
<tensorflow.python.keras.layers.convolutional.Conv2D在0x25124b9e308>，
<tensorflow.python.keras.layers.pooling.MaxPooling2D at 0x25124b9e988>，
<tensorflow.python.keras.layers.core.Flatten at 0x25124b9ee88>，
<tensorflow.python.keras.layers.core.Dense at 0x25124ba13c8>，
<tensorflow.python.keras.layers.core.Dense at 0x25124ba1988>，
<tensorflow.python.keras.layers.core.Dense at 0x25124ba1f48>]
获取CNN层的输出：-
layer_outputs = [model.layers中图层的layer.output]
这将返回?安输出对象的层。它们不是真正的输出，但是它们告诉我们将生成输出的功能。我们将把这一layer.output合并到一个可视化模型中，我们将构建该模型以提取特征图。
[<tf.Tensor'conv2d / Relu：0'shape =（None，148，148，8）dtype = float32>，
<tf.Tensor'max_pooling2d / MaxPool：0'shape =（None，74，74，8）dtype = float32>，
<tf.Tensor'conv2d_1 / Relu：0'shape =（None，72，72，16）dtype = float32>，
<tf.Tensor'max_pooling2d_1 / MaxPool：0'shape =（None，36，36，16）dtype = float32>，
<tf.Tensor'conv2d_2 / Relu：0'shape =（None，34，34，32）dtype = float32>，
<tf.Tensor'max_pooling2d_2 / MaxPool：0'shape =（None，17，17，32）dtype = float32>，
<tf.Tensor'flatten / Reshape：0'shape =（None，9248）dtype = float32>，
<tf.Tensor'dense / Relu：0'shape =（None，1024）dtype = float32>，
<tf.Tensor'dense_1 / Relu：0'shape =（None，512）dtype = float32>，
<tf.Tensor'dense_2 / Softmax：0'shape =（None，3）dtype = float32>]
为了生成特征图，我们必须构建一个可视化模型，该模型以图像为输入，并具有上述layer_outputs作为输出函数。
这里要注意的重要一点是，我们总共有10个输出，9个中间输出和1个最终分类输出。因此，我们将有9个特征图。
CNN图层中的要素地图可视化模型
feature_map_model = tf.keras.models.Model（input = model.input，output = layer_outputs）
上面的公式只是汇总了我们在开始时创建的CNN模型的输入和输出函数。
layer_outputs中总共有10个输出函数。将该图像作为输入，然后使该图像以串行方式依次通过所有这10个输出功能。
最后一个输出函数是模型本身的输出。因此，总共有9个中间输出函数，因此有9个中间特征图。
这意味着我们输入到feature_map_model的任何输入，输出将以9个特征图的形式出现。
现在，我们将准备一张图像，以将其作为上述feature_map_model的输入：-
image_path = r“来自台式机或Internet的图像路径”。img = load_img（图像路径，target_size =（150，150））  输入= img_to_array（img）                           
输入= x.reshape（（（1，）+ x.shape）                  
输入/ = 255.0
在上面的代码中，我们已将图像加载到变量“输入”中，将其转换为数组，扩展了图像的尺寸以匹配中间层的尺寸，最后，在将图像输入到层。
现在，让我们将其输入到创建的模型中：
feature_maps = feature_map_model.predict（输入）
上面的代码终于为我们生成了特征图。
我们将再次解码feature_maps内容。
现在已经生成了特征图，让我们检查每个输出的特征图的形状。
对于zip中的layer_name，feature_map（layer_names，feature_maps）：print（f“ {layer_name}的形状为======= >> {feature_map.shape}”）
上面的代码将给出CNN模型中间层的层名称以及我们生成的相应要素图的形状。
形状
生成特征图的步骤：-
我们需要生成仅卷积层而不是密集层的特征图，因此我们将生成具有“ dimension = 4”的层的特征图。
对于zip（layer_names，feature_maps）中的layer_name，feature_map：  如果len（feature_map.shape）== 4
每个特征图都有n个通道，并且在特征图形状的末尾给出数字“ n”。这是特定图层中要素的数量。
例如。feature_map [0] .shape =（1
对于zip（layer_names，feature_maps）中的layer_name，feature_map：if len（feature_map.shape）== 4 ＃图层的要素图中的要素图像/维数
k = feature_map.shape [-1]       ?
?
   ?＃迭代特定图层的特征图以分离所有特征图像。对于我在范围（k）中：   
       ?feature_image = feature_map [0，：，：，i
直接生成的特征图在视觉上非常暗淡，因此人眼无法正确看到。因此，我们需要对提取的特征图像进行标准化和标准化。
图像的标准化和归一化，使其可被人眼看到：-
        feature_image- = feature_image.mean（）
        feature_image / = feature_image.std（）
        feature_image * = 64
        feature_image + = 128
        feature_image = np.clip（x，0，255）.astype（'uint8'）
保留以上三点，让我们生成要素图，
对于zip（layer_names，feature_maps）中的layer_name，feature_map：  如果len（feature_map.shape）== 4
      k = feature_map.shape [-1]  
      size = feature_map.shape [1]
      对于我在范围（k）中：
        feature_image = feature_map [0，：，：，i]
        feature_image- = feature_image.mean（）
        feature_image / = feature_image.std（）
        feature_image * = 64
        feature_image + = 128
        feature_image = np.clip（x，0，255）.astype（'uint8'）
        image_belt [:
最后，让我们显示我们生成的image_belts：
    比例= 20 / k
    plt.figure（figsize =（scale * k，scale））
    plt.title（layer_name）
    plt.grid（False）
    plt.imshow（image_belt，Aspect ='auto'）
题库