在 theano 卷积 MLP 中可视化每一层的输出答案

【问题标题】：Visualize output of each layer in theano Convolutional MLP在 theano 卷积 MLP 中可视化每一层的输出
【发布时间】：2016-05-07 17:21:47
【问题描述】：

我正在阅读Convolutional Neural Networks tutorial。我想在模型训练后可视化每一层的输出。例如，在函数“evaluate_lenet5”中，我想将一个实例（这是一个图像）传递给网络，并查看每一层的输出以及为输入设置训练神经网络的类。我认为这可能像对图像和每一层的权重向量进行点积一样容易，但它根本不起作用。

我有每一层的对象：

# Reshape matrix of rasterized images of shape (batch_size, 28 * 28)
# to a 4D tensor, compatible with our LeNetConvPoolLayer
# (28, 28) is the size of MNIST images.
layer0_input = x.reshape((batch_size, 1, 28, 28))

# Construct the first convolutional pooling layer:
# filtering reduces the image size to (28-5+1 , 28-5+1) = (24, 24)
# maxpooling reduces this further to (24/2, 24/2) = (12, 12)
# 4D output tensor is thus of shape (batch_size, nkerns[0], 12, 12)
layer0 = LeNetConvPoolLayer(
    rng,
    input=layer0_input,
    image_shape=(batch_size, 1, 28, 28),
    filter_shape=(nkerns[0], 1, 5, 5),
    poolsize=(2, 2)
)

# Construct the second convolutional pooling layer
# filtering reduces the image size to (12-5+1, 12-5+1) = (8, 8)
# maxpooling reduces this further to (8/2, 8/2) = (4, 4)
# 4D output tensor is thus of shape (batch_size, nkerns[1], 4, 4)
layer1 = LeNetConvPoolLayer(
    rng,
    input=layer0.output,
    image_shape=(batch_size, nkerns[0], 12, 12),
    filter_shape=(nkerns[1], nkerns[0], 5, 5),
    poolsize=(2, 2)
)

# the HiddenLayer being fully-connected, it operates on 2D matrices of
# shape (batch_size, num_pixels) (i.e matrix of rasterized images).
# This will generate a matrix of shape (batch_size, nkerns[1] * 4 * 4),
# or (500, 50 * 4 * 4) = (500, 800) with the default values.
layer2_input = layer1.output.flatten(2)

# construct a fully-connected sigmoidal layer
layer2 = HiddenLayer(
    rng,
    input=layer2_input,
    n_in=nkerns[1] * 4 * 4,
    n_out=500,
    activation=T.tanh
)

# classify the values of the fully-connected sigmoidal layer
layer3 = LogisticRegression(input=layer2.output, n_in=500, n_out=10)

那么您能否建议一种方法，在神经网络训练完成后，逐步可视化处理图像的样本？

【问题讨论】：

标签： python-2.7 numpy theano deep-learning conv-neural-network

【解决方案1】：

这并不难。如果您使用 theano 深度学习教程中 LeNetConvPoolLayer 的相同类定义，那么您只需编译一个以 x 作为输入并以 [LayerObject].output 作为输出的函数（其中 LayerObject 可以是任何图层对象，例如 layer0、layer1 等。无论您想要可视化哪个图层。

vis_layer1 = function([x], [layer1.output])

传递一个（或多个）样本（正是您在训练时输入张量的方式），您将获得编译函数所针对的特定层的输出。

注意：通过这种方式，您将获得与模型在计算中使用的完全相同的形状的输出。但是，您可以通过像layer1.output.flatten(n) 那样重塑输出变量来重塑它。

【讨论】：