python 热度图_keras CNN卷积核可视化,热度图教程
卷积核可视化
import matplotlib.pyplot as plt
import numpy as np
from keras import backend as K
from keras.models import load_model
# 将浮点图像转换成有效图像
def deprocess_image(x):
# 对张量进行规范化
x -= x.mean()
x /= (x.std() + 1e-5)
x *= 0.1
x += 0.5
x = np.clip(x, 0, 1)
# 转化到RGB数组
x *= 255
x = np.clip(x, 0, 255).astype('uint8')
return x
# 可视化滤波器
def kernelvisual(model, layer_target=1, num_iterate=100):
# 图像尺寸和通道
img_height, img_width, num_channels = K.int_shape(model.input)[1:4]
num_out = K.int_shape(model.layers[layer_target].output)[-1]
plt.suptitle('[%s] convnet filters visualizing' % model.layers[layer_target].name)
print('第%d层有%d个通道' % (layer_target, num_out))
for i_kernal in range(num_out):
input_img = model.input
# 构建一个损耗函数,使所考虑的层的第n个滤波器的激活最大化,-1层softmax层
if layer_target == -1:
loss = K.mean(model.output[:, i_kernal])
else:
loss = K.mean(model.layers[layer_target].output[:, :, :, i_kernal]) # m*28*28*128
# 计算图像对损失函数的梯度
grads = K.gradients(loss, input_img)[0]
# 效用函数通过其L2范数标准化张量
grads /= (K.sqrt(K.mean(K.square(grads))) + 1e-5)
# 此函数返回给定输入图像的损耗和梯度
iterate = K.function([input_img], [loss, grads])
# 从带有一些随机噪声的灰色图像开始
np.random.seed(0)
# 随机图像
# input_img_data = np.random.randint(0, 255, (1, img_height, img_width, num_channels)) # 随机
# input_img_data = np.zeros((1, img_height, img_width, num_channels)) # 零值
input_img_data = np.random.random((1, img_height, img_width, num_channels)) * 20 + 128. # 随机灰度
input_img_data = np.array(input_img_data, dtype=float)
failed = False
# 运行梯度上升
print('####################################', i_kernal + 1)
loss_value_pre = 0
# 运行梯度上升num_iterate步
for i in range(num_iterate):
loss_value, grads_value = iterate([input_img_data])
if i % int(num_iterate/5) == 0:
print('Iteration %d/%d, loss: %f' % (i, num_iterate, loss_value))
print('Mean grad: %f' % np.mean(grads_value))
if all(np.abs(grads_val) < 0.000001 for grads_val in grads_value.flatten()):
failed = True
print('Failed')
break
if loss_value_pre != 0 and loss_value_pre > loss_value:
break
if loss_value_pre == 0:
loss_value_pre = loss_value
# if loss_value > 0.99:
# break
input_img_data += grads_value * 1 # e-3
img_re = deprocess_image(input_img_data[0])
if num_channels == 1:
img_re = np.reshape(img_re, (img_height, img_width))
else:
img_re = np.reshape(img_re, (img_height, img_width, num_channels))
plt.subplot(np.ceil(np.sqrt(num_out)), np.ceil(np.sqrt(num_out)), i_kernal + 1)
plt.imshow(img_re) # , cmap='gray'
plt.axis('off')
plt.show()
运行
model = load_model('train3.h5')
kernelvisual(model,-1) # 对最终输出可视化
kernelvisual(model,6) # 对第二个卷积层可视化
热度图
import cv2
import matplotlib.pyplot as plt
import numpy as np
from keras import backend as K
from keras.preprocessing import image
def heatmap(model, data_img, layer_idx, img_show=None, pred_idx=None):
# 图像处理
if data_img.shape.__len__() != 4:
# 由于用作输入的img需要预处理,用作显示的img需要原图,因此分开两个输入
if img_show is None:
img_show = data_img
# 缩放
input_shape = K.int_shape(model.input)[1:3] # (28,28)
data_img = image.img_to_array(image.array_to_img(data_img).resize(input_shape))
# 添加一个维度->(1, 224, 224, 3)
data_img = np.expand_dims(data_img, axis=0)
if pred_idx is None:
# 预测
preds = model.predict(data_img)
# 获取最高预测项的index
pred_idx = np.argmax(preds[0])
# 目标输出估值
target_output = model.output[:, pred_idx]
# 目标层的输出代表各通道关注的位置
last_conv_layer_output = model.layers[layer_idx].output
# 求最终输出对目标层输出的导数(优化目标层输出),代表目标层输出对结果的影响
grads = K.gradients(target_output, last_conv_layer_output)[0]
# 将每个通道的导数取平均,值越高代表该通道影响越大
pooled_grads = K.mean(grads, axis=(0, 1, 2))
iterate = K.function([model.input], [pooled_grads, last_conv_layer_output[0]])
pooled_grads_value, conv_layer_output_value = iterate([data_img])
# 将各通道关注的位置和各通道的影响乘起来
for i in range(conv_layer_output_value.shape[-1]):
conv_layer_output_value[:, :, i] *= pooled_grads_value[i]
# 对各通道取平均得图片位置对结果的影响
heatmap = np.mean(conv_layer_output_value, axis=-1)
# 规范化
heatmap = np.maximum(heatmap, 0)
heatmap /= np.max(heatmap)
# plt.matshow(heatmap)
# plt.show()
# 叠加图片
# 缩放成同等大小
heatmap = cv2.resize(heatmap, (img_show.shape[1], img_show.shape[0]))
heatmap = np.uint8(255 * heatmap)
# 将热图应用于原始图像.由于opencv热度图为BGR,需要转RGB
superimposed_img = img_show + cv2.applyColorMap(heatmap, cv2.COLORMAP_JET)[:,:,::-1] * 0.4
# 截取转uint8
superimposed_img = np.minimum(superimposed_img, 255).astype('uint8')
return superimposed_img, heatmap
# 显示图片
# plt.imshow(superimposed_img)
# plt.show()
# 保存为文件
# superimposed_img = img + cv2.applyColorMap(heatmap, cv2.COLORMAP_JET) * 0.4
# cv2.imwrite('ele.png', superimposed_img)
# 生成所有卷积层的热度图
def heatmaps(model, data_img, img_show=None):
if img_show is None:
img_show = np.array(data_img)
# Resize
input_shape = K.int_shape(model.input)[1:3] # (28,28,1)
data_img = image.img_to_array(image.array_to_img(data_img).resize(input_shape))
# 添加一个维度->(1, 224, 224, 3)
data_img = np.expand_dims(data_img, axis=0)
# 预测
preds = model.predict(data_img)
# 获取最高预测项的index
pred_idx = np.argmax(preds[0])
print("预测为:%d(%f)" % (pred_idx, preds[0][pred_idx]))
indexs = []
for i in range(model.layers.__len__()):
if 'conv' in model.layers[i].name:
indexs.append(i)
print('模型共有%d个卷积层' % indexs.__len__())
plt.suptitle('heatmaps for each conv')
for i in range(indexs.__len__()):
ret = heatmap(model, data_img, indexs[i], img_show=img_show, pred_idx=pred_idx)
plt.subplot(np.ceil(np.sqrt(indexs.__len__()*2)), np.ceil(np.sqrt(indexs.__len__()*2)), i*2 + 1)\
.set_title(model.layers[indexs[i]].name)
plt.imshow(ret[0])
plt.axis('off')
plt.subplot(np.ceil(np.sqrt(indexs.__len__()*2)), np.ceil(np.sqrt(indexs.__len__()*2)), i*2 + 2)\
.set_title(model.layers[indexs[i]].name)
plt.imshow(ret[1])
plt.axis('off')
plt.show()
运行
from keras.applications.vgg16 import VGG16
from keras.applications.vgg16 import preprocess_input
model = VGG16(weights='imagenet')
data_img = image.img_to_array(image.load_img('elephant.png'))
# VGG16预处理:RGB转BGR,并对每一个颜色通道去均值中心化
data_img = preprocess_input(data_img)
img_show = image.img_to_array(image.load_img('elephant.png'))
heatmaps(model, data_img, img_show)
elephant.png
结语
踩坑踩得我脚疼
以上这篇keras CNN卷积核可视化,热度图教程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脚本之家。
python 热度图_keras CNN卷积核可视化,热度图教程相关推荐
- CNN训练可视化特征图(tensorflow2.x实现)
CNN训练可视化(tensorflow2.x实现) 原理介绍 实例化VGG16 加载图片并进行预处理 预测图片 获取指定层对应的输出 可视化CNN训练过程 原理介绍 卷积层由多个卷积核组成,可以将每个 ...
- python数据分析pandas画图_Pandas数据可视化基础绘图教程
众所周知,Pandas是基于Python平台的大数据分析与处理的利器.在数据为王的时代,想要掌握数据分析能力,学会Pandas数据可视化工具是十分重要的.本文将带领大家一步一步学习Pandas数据可视 ...
- python excel 饼图 简书_Python可视化29_matplotlib-饼图(pie)
本文详细介绍python 使用matplotlib.pyplot.pie绘制饼图(pie) 本文快速预览 更多好文,欢迎随缘关注@ image image 目录 默认参数 修改配色 饼图某部分突出or ...
- 折线图设置圆点_Seaborn可视化 折线图seaborn.lineplot
折线图是排列在工作表的列或行中的数据可以绘制到折线图中.折线图可以显示随时间(根据常用比例设置)而变化的连续数据,因此非常适用于显示在相等时间间隔下数据的趋势. 导入所需库 import pandas ...
- Python使用matplotlib可视化箱图、seaborn中的boxplot函数可视化分组箱图、在箱图中添加抖动数据点(Dot + Box Plot)
Python使用matplotlib可视化箱图.seaborn中的boxplot函数可视化分组箱图.在箱图中添加抖动数据点(Dot + Box Plot) 目录
- Python使用matplotlib可视化Treemap图、treemap将分层数据显示为一组嵌套矩形,每一组都用一个矩形表示,该矩形的面积与其值成正比(Treemap)
Python使用matplotlib可视化Treemap图.treemap将分层数据显示为一组嵌套矩形,每一组都用一个矩形表示,该矩形的面积与其值成正比(Treemap) 目录
- python使用matplotlib可视化线图(line plot)、移除可视化结果的所有坐标轴信息(remove all axis in matplotlib graph)
python使用matplotlib可视化线图(line plot).移除可视化结果的所有坐标轴信息(remove all axis in matplotlib graph) 目录
- Python使用matplotlib可视化面积图(Area Chart)、通过给坐标轴和曲线之间的区域着色可视化面积图、在面积图的指定区域添加箭头和数值标签
Python使用matplotlib可视化面积图(Area Chart).通过给坐标轴和曲线之间的区域着色可视化面积图.在面积图的指定区域添加箭头和数值标签 目录
- Python使用matplotlib可视化小提琴图、seaborn中的violinplot函数可视化多分类变量的小提琴图(Violin Plot)
Python使用matplotlib可视化小提琴图.seaborn中的violinplot函数可视化多分类变量的小提琴图(Violin Plot) 目录
最新文章
- 百度语音合成 js html,Node.js结合百度TTS接口实现文字转语音功能
- linux下安装mysql5.7.25详细教程
- Keepalived工作原理
- LeetCode 911. 在线选举(二分查找)
- Scala案例:词频统计
- Caffe 学习系列
- mysql maratadb_Mysql/Mairadb主从复制
- 解压rar_【RAR安卓】RAR解压v5.91.build93去广告版,解压多种压缩包 与WinRAR完美兼容!...
- JS实现图片拖动验证
- TCP/IP协议中IP数据保报文格式详解
- Mybatis学习笔记(完结)
- Android音频系统学习二:Android音频框架
- Chrome忽略网站证书错误
- 线性规划问题及单纯形法-单纯形法原理
- 新路由3 稳定强信号eeprom
- 用计算机写作文主题,用计算机写作文》——学习智能ABC输入法
- 基于ArkUI框架开发——图片模糊处理的实现
- UI5-技术篇-Implementing Expand Entity/Entity Set
- 【收藏】图片转成文字的方法总结,python批量图片转文字信息参考源码
- 正向代理和Nginx反向代理配置介绍
热门文章
- 一个标星 5.2k+ 的牛逼开源商城系统
- 关于一张出库单开具了多张发票的错误处理
- Work from home
- 别了欧阳夏丹、马斌!
- 无人值守安装系统完整(CentOS7)
- windows 8 pro vl_微软MSDN原版Windows10/8/7/XP系统镜像与office下载地址大全
- 单通道图片转换为3通道图片,实现灰度图上添加彩色标注
- wps 甘特图_「WPS办公助手」3分钟画出高逼格流程图,工作学习规划一目了然,老板都要为你点赞...
- windows微信多开,超便捷的使用方式,真正一劳永逸的方法
- gcc之 -ffunction-sections