對於中間啟用的視覺化，我們使用之前在貓狗分類中從頭開始訓練的小型卷積神經網路。

from keras.models import load_model

model = load_model('cats_and_dogs_small_2.h5')
model.summary() 

Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_5 (Conv2D)            (None, 148, 148, 32)      896       
_________________________________________________________________
max_pooling2d_5 (MaxPooling2 (None, 74, 74, 32)        0         
_________________________________________________________________
conv2d_6 (Conv2D)            (None, 72, 72, 64)        18496     
_________________________________________________________________
max_pooling2d_6 (MaxPooling2 (None, 36, 36, 64)        0         
_________________________________________________________________
conv2d_7 (Conv2D)            (None, 34, 34, 128)       73856     
_________________________________________________________________
max_pooling2d_7 (MaxPooling2 (None, 17, 17, 128)       0         
_________________________________________________________________
conv2d_8 (Conv2D)            (None, 15, 15, 128)       147584    
_________________________________________________________________
max_pooling2d_8 (MaxPooling2 (None, 7, 7, 128)         0         
_________________________________________________________________
flatten_2 (Flatten)          (None, 6272)              0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 6272)              0         
_________________________________________________________________
dense_3 (Dense)              (None, 512)               3211776   
_________________________________________________________________
dense_4 (Dense)              (None, 1)                 513       
=================================================================
Total params: 3,453,121
Trainable params: 3,453,121
Non-trainable params: 0
 

接下面，輸入一張不屬於網路的貓的影象

img_path = '/Users/fchollet/Downloads/cats_and_dogs_small/test/cats/cat.1700.jpg'

from keras.preprocessing import image  # 將影象處理成為一個4D張量
import numpy as np

img = image.load_img(img_path, target_size=(150, 150))
img_tensor = image.img_to_array(img)
img_tensor = np.expand_dims(img_tensor, axis=
 
0)
img_tensor /= 255.

print(img_tensor.shape)

(1, 150, 150, 3)

顯示測試影象

import matplotlib.pyplot as plt

plt.imshow(img_tensor[0])
plt.show()

為了提取想要檢視的特徵圖，我們需要建立一個Keras模型，以影象批量作為輸入，並輸出所有卷積層和池化層的啟用。為此，我們需要使用Keras的Model類。模型例項化需要兩個引數：一個輸入張量（或輸入張量的列表）和一個輸出張量（或輸出張量的列表）。

from keras import models

layer_outputs =
 
 [layer.output for layer in model.layers[:8]]  #提取前8層的輸出

activation_model = models.Model(inputs=model.input, outputs=layer_outputs)  #建立一個模型，給定模型的輸入，可以返回這些輸出

這段語句是輸入一張影象，這個模型將返回原始模型的前8層啟用值。這個模型有一個輸入和8個輸出，即每層啟用對應一個輸出。

activations = activation_model.predict(img_tensor)    # 返回8個Numpy陣列組成的列表，每個層啟用對應一個Numpy陣列

first_layer_activation = activations[0]
print(first_layer_activation.shape)

(1, 148, 148, 32)
它是大小為148*148的特徵圖，有32個通道。我們來繪製原始模型第3個通道：

import matplotlib.pyplot as plt

plt.matshow(first_layer_activation[0, :, :, 3], cmap='viridis')
plt.show()

再看看第30個通道：

plt.matshow(first_layer_activation[0, :, :, 30], cmap='viridis')
plt.show()

我們可以看到，似乎不同通道對於影象檢測有不同側重，比如第3個通道更側重於邊緣檢測，第30個通道更側於”綠色圓點“檢測。

下面我們來繪製網路中所有啟用的完整視覺化圖。我們需要在8個特徵圖裡的每一個都提取並繪製一個通道，然後將結果疊加在一個大的影象張量中，按通道並排。

import keras


layer_names = []
for layer in model.layers[:8]:
    layer_names.append(layer.name)  # 用來儲存層的名稱，這樣你就可以把層的名稱畫到圖中

images_per_row = 16

for layer_name, layer_activation in zip(layer_names, activations):    # 顯示特徵圖
    n_features = layer_activation.shape[-1]        # 特徵圖中的特徵個數

    size = layer_activation.shape[1]   # 特徵圖的形狀為（1， size， size， n_features）

    n_cols = n_features // images_per_row  # 在這個矩陣中將啟用通道平鋪
    display_grid = np.zeros((size * n_cols, images_per_row * size))

    for col in range(n_cols):   #將每個過濾器平鋪到一個大的水平網格中
        for row in range(images_per_row):
            channel_image = layer_activation[0,
                                             :, :,
                                             col * images_per_row + row]

            channel_image -= channel_image.mean()   #對特徵進行後處理，使其看起來更加美觀
            channel_image /= channel_image.std()
            channel_image *= 64
            channel_image += 128
            channel_image = np.clip(channel_image, 0, 255).astype('uint8')
            display_grid[col * size : (col + 1) * size,
                         row * size : (row + 1) * size] = channel_image   # 顯示網格


    scale = 1. / size
    plt.figure(figsize=(scale * display_grid.shape[1],
                        scale * display_grid.shape[0]))
    plt.title(layer_name)
    plt.grid(False)
    plt.imshow(display_grid, aspect='auto', cmap='viridis')
    
plt.show()

更多精彩內容，歡迎關注我的微信公眾號：資料瞎分析