Tensorflow - 可视化预训练网络的学习过滤器

Question

我目前正在尝试使用 python 中的 tensorflow 可视化我的 CNN 的学习过滤器。 在训练新网络时，我发现许多版本都在使用 mnist 数据集，但无法将其应用于我的应用程序。 我使用自定义数据集训练了一个 Estimator 对象，该对象存储在我的磁盘上。该模型包含层如

conv1 = tf.layers.conv2d(inputs=input_layer, filters=32, kernel_size=[5, 5], padding="same", activation=tf.nn.sigmoid)

并且只想在具有尺寸 (28,28,3) 的单个图片上可视化预测。 在tensorboard中，这一层简称为“conv2d”，其他层简称为“conv2d_2”，以此类推，与默认的MNIST网络结构基本相同，只是使用了sigmoid函数。

我不知道如何实现这一点 - 我考虑过获取权重和偏差，并根据步幅和过滤器大小重新计算每一层，但我已经无法获取权重，我认为有一个更简单的解决方案。

Answer 1

我目前正在尝试使用 python 中的 tensorflow 可视化我的 CNN 的学习过滤器。

我认为您的意思是可视化特定层的激活？如果是这样，您只需要为您想要的图像运行这一层的张量：

import matplotlib.pyplot as plt

# Model definition
...
conv1 = tf.layers.conv2d(inputs=input_layer, filters=32, kernel_size=[5, 5], padding="same", activation=tf.nn.sigmoid)
...

# Getting activations
acts = sess.run(conv1, {input_layer: your_image})

# Visualizing every filters
for i in range(acts.shape[3]):
  plt.imshow(acts[:,:,:,i].squeeze())
  plt.show()

如果您使用 Estimator，您可以使用 model_fn 中的 tf.summary.image() 直接可视化激活的演变：

# In model_fn
...
conv1 = tf.layers.conv2d(inputs=input_layer, filters=32, kernel_size=[5, 5], padding="same", activation=tf.nn.sigmoid)
acts_filters = tf.unstack(conv1, axis=3)
for i, filter in enumerate(acts_filters):
    tf.summary.image('filter' + str(i), tf.expand_dims(filter, axis=3))