DL之CNN可視化：利用SimpleConvNet算法【3層,im2col優(yōu)化】基于mnist數(shù)據(jù)集訓練并對卷積層輸出進行可視化

導讀
利用SimpleConvNet算法基于mnist數(shù)據(jù)集訓練并對卷積層輸出進行可視化，理解CNN卷積層的輸出，進一步了解神經(jīng)網(wǎng)絡。
1、圖中右邊，有規(guī)律的濾波器在“觀察”什么，
#(1)、可知它在觀察邊緣(顏色變化的分界線)和斑塊(局部的塊狀區(qū)域)等。比如，左半部分為白色、右半部分為黑色的濾波器的情況下，會對垂直方向上的邊緣有響應。
#(2)、對水平方向上和垂直方向上的邊緣有響應的濾波器：輸出圖像1中，垂直方向的邊緣上出現(xiàn)白色像素，輸出圖像2中，水平方向的邊緣上出現(xiàn)很多白色像素
#(3)、圖中顯示了選擇兩個學習完的濾波器對輸入圖像進行卷積處理時的結果。我們發(fā)現(xiàn)“濾波器1”對垂直方向上的邊緣有響應，“濾波器2”對水平方向上的邊緣有響應。由此可知，卷積層的濾波器會提取邊緣或斑塊等原始信息。而剛才實現(xiàn)的CNN會將這些原始信息傳遞給后面的層。

?

?

目錄

輸出結果

設計思路

核心代碼

---

?

?

?

輸出結果

?

?

設計思路

?

核心代碼

def filter_show(filters, suptitle, nx=8, margin=3, scale=10,):FN, C, FH, FW = filters.shape ny = int(np.ceil(FN / nx)) fig = plt.figure() fig.subplots_adjust(left=0, right=1, bottom=0, top=1, hspace=0.05, wspace=0.05)for i in range(FN): ax = fig.add_subplot(ny, nx, i+1, xticks=[], yticks=[])ax.imshow(filters[i, 0], cmap=plt.cm.gray_r, interpolation='nearest')plt.suptitle(suptitle)plt.show()filter_show(network.params['W1'],suptitle='CNN(SimpleConvNet): Weight after random initialization on mnist')network.load_params("params.pkl") filter_show(network.params['W1'],suptitle='CNN(SimpleConvNet): Weight after learning on mnist(params.pkl)')

?

相關論文

CNN可視化相關論文

[1] Zeiler M D , Fergus R . Visualizing and Understanding Convolutional Networks[J]. 2013.
地址01：https://arxiv.org/abs/1311.2901
地址02：http://xueshu.baidu.com/usercenter/paper/show?paperid=908cd647dd96ee1d41402d811bf32178&site=xueshu_se

[2] Mahendran A , Vedaldi A . Understanding Deep Image Representations by Inverting Them[J]. 2014.
地址01：https://arxiv.org/abs/1412.0035
地址02：http://xueshu.baidu.com/usercenter/paper/show?paperid=1fe99e4c98b124fd0672fc9ef07f8c7c&site=xueshu_se

[3] Donglai Wei, Bolei Zhou, Antonio Torralba, William T. Freeman（2015）: mNeuron: A Matlab Plugin to Visualize Neurons from DeepModels. ?《mNeuron: A Matlab Plugin to Visualize Neurons from Deep Models》
地址01：http://vision03.csail.mit.edu/cnn_art/?utm_content=buffer2ff9c&utm_medium=social&utm_source=twitter.com&utm_campaign=buffer
地址02：http://www.myzaker.com/article/5951f9091bc8e0e263000018/

?

總結

以上是生活随笔為你收集整理的DL之CNN可视化：利用SimpleConvNet算法【3层,im2col优化】基于mnist数据集训练并对卷积层输出进行可视化的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。