卷积神经网络可视化

卷积概念请参考文档：https://www.yuque.com/suanpan_doc/public/rsi4wc#kqfOr

卷积网络可视化

深度学习一直被人们称为“黑盒子”，即内部算法不可见。但是，卷积神经网络(CNN)却能够被可视化，通过可视化，人们能够了解CNN识别图像的过程。
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。看到图像经过卷积之后结果，帮助理解卷积核的作用。
想法很简单：向CNN输入一张图像，获得某些卷积层的输出，可视化该输出
可视化结果如下图。  第一层卷积层类似边缘检测的功能，在这个阶段里，卷积核基本保留图像所有信息。
随着层数的加深，卷积核输出的内容也越来越抽象，保留的信息也越来越少。
越深的层数，越多空白的内容，也就说这些内容空白卷积核没有在输入图像中找到它们想要的特征。

案例

要解决的问题

依然使用Cat vs Dog数据集，数据集详情请参考https://www.yuque.com/suanpan_doc/public/dx8z5f。

解决方案

在算盘的项目模板中，已经创建了一个简单的流程可以参考。
在项目模板中，双击keras教材案例中的卷积神经网络可视化： 建出以下模板，模板中的组件可以在深度学习的pytorch的分类中找到：

模板

可以看出整个模板分了四块：

• 模型建立——需要有一个输入层，注意填写接收图片的大小与通道数，后面连接VGG16。注意预训练模型需要被设置为特征提取器，即勾选特征提取器。
• 数据载入——使用cats vs dogs数据集中的test数据，连接数据采样及数据载入。
• 可视化——该节点为可以选择需要展现的某个特征层。
• 图片预处理——由于每张图片的大小不等，需要先将图片比例缩放之后再进行剪裁，案例中将图片变换为1501503的数据格式。

这样就实现了卷积神经网络模型的可视化，你可以修改模型，展现其他网络层！