使用keras搭建好一个模型，训练好，怎么得到每层的系数呢：
|
1
2
3
4
|
weights = np.array(model.get_weights())print(weights)print(weights[0].shape)print(weights[1].shape) |
这样系数就被存放到一个np中了。
补充知识：使用keras框架编写的深度模型 输出及每一层的特征可视化
使用训练好的模型进行预测的时候，为分析效果，通常需要对特征提取过程中的特征映射做可视化操作
本文以keras为例，对特征可视化操作进行详解。
一、首先，对模型的最后输出层进行特征可视化
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
|
from keras import models#使用matlpotlib模块进行绘图的操作import matplotlib.pylot as plt#images是一个batch的输入图像，batch_input[batch图像数量，尺寸高，尺寸宽，3（rgb通道数量）]#model是训练好的模型#model = load_model('path')nb_images = len(images)batch_input = np.zeros((nb_images, net_h, net_w, 3))# preprocess the inputfor i in range(nb_images): batch_input[i] = preprocess_input(images[i], net_h, net_w) # run the prediction#batch_output为一个样本的所有通道输出特征映射，本文应用特征金字塔结构，有三个维度的特征提取层#batch_output[0]是第一个维度的特征提取层所有通道的输出特征映射，四维，本文例子中为[1, 52, 52, 72]#[一个样本，尺寸，尺寸，通道数]#也可以是batch_output = model.predict(batch_input)batch_output = model.predict_on_batch(batch_input)batch_boxes = [None]*nb_imagesprint(batch_output[0].shape)#display feature map#下面为归一化到0-255空间内xx = batch_output[0]max = np.max(xx)print(max,"max value is :")X_output = X_output .astype("float32") / max * 255#下面的30为第30个通道X_output = xx[0,:,:,30]#使用matplotlib显示图像plt.figure()plt.imshow(X_output, cmap='viridis')plt.show()#输出结果 |
原始图像
输出层的特征可视化
二、可视化某一层的特征映射
|
1
2
3
4
5
6
7
8
9
10
11
|
from keras import backend as kfrom keras import modelsimport matplotlib.pylot as pltmodel = load_model('...')layer_1 =k.function([model.layers[0].input], [model.layers[1].output])#第2个model,layers[]改成你想显示的层数f1 = layer_1[input_image][0]f1.image = f1[0,:,:,channel]plt,matshow(f1.image, camp='viridis')plt.show() |
示例：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
from keras import modelsimport matplotlib.pylot as pltfrom keras import backend as k#images是一个batch的输入图像，batch_input[batch图像数量，尺寸高，尺寸宽，3（rgb通道数量）]#model是训练好的模型#model = load_model('path')nb_images = len(images)batch_input = np.zeros((nb_images, net_h, net_w, 3))# preprocess the inputfor i in range(nb_images): batch_input[i] = preprocess_input(images[i], net_h, net_w) #display feature map#可视化第一层的特征映射layer_1 = K.function([model.layers[0].input], [model.layers[1].output])f1 = layer_1([batch_input])[0]print(f1.shape)max = np.max(f1)f1 =f1.astype("float32") / max * 255plt.figure()#显示第一层网络前5个通道的特征映射for i in range(5): plt.subplot(2, 3, i+1) plt.imshow(f1[0,:,:,i], cmap='viridis')plt.show() |
输出结果：
以上这篇keras得到每层的系数方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/masbbx123/article/details/81979740
