对Tensorflow中权值和feature map的可视化详解
13 浏览量
2020-09-20
09:29:28
上传
评论 1
收藏 256KB PDF 举报
对对Tensorflow中权值和中权值和feature map的可视化详解的可视化详解
今天小编就为大家分享一篇对Tensorflow中权值和feature map的可视化详解，具有很好的参考价值，希望对大家
有所帮助。一起跟随小编过来看看吧
前言前言
Tensorflow中可以使用tensorboard这个强大的工具对计算图、loss、网络参数等进行可视化。本文并不涉及对tensorboard使用
的介绍，而是旨在说明如何通过代码对网络权值和feature map做更灵活的处理、显示和存储。本文的相关代码主要参考了
github上的一个小项目，但是对其进行了改进。
原项目地址为(https://github.com/grishasergei/conviz)。
本文将从以下两个方面进行介绍：本文将从以下两个方面进行介绍：
卷积知识补充
网络权值和feature map的可视化
1. 卷积知识补充卷积知识补充
为了后面方便讲解代码，这里先对卷积的部分知识进行一下简介。关于卷积核如何在图像的一个通道上进行滑动计算，网上有
诸多资料，相信对卷积神经网络有一定了解的读者都应该比较清楚，本文就不再赘述。这里主要介绍一组卷积核如何在一幅图
像上计算得到一组feature map。
以从原始图像经过第一个卷积层得到第一组feature map为例（从得到的feature map到再之后的feature map也是同理），假设
第一组feature map共有64个，那么可以把这组feature map也看作一幅图像，只不过它的通道数是64， 而一般意义上的图像是
RGB3个通道。为了得到这第一组feature map，我们需要64个卷积核，每个卷积核是一个k x k x 3的矩阵，其中k是卷积核的大
小（假设是正方形卷积核），3就对应着输入图像的通道数。下面我以一个简单粗糙的图示来展示一下图像经过一个卷积核的卷
积得到一个feature map的过程。
如图所示，其实可以看做卷积核的每一通道（不太准确，将就一下）和图像的每一通道对应进行卷积操作，然后再逐位置相
加，便得到了一个feature map。
那么用一组（64个）卷积核去卷积一幅图像，得到64个feature map就如下图所示，也就是每个卷积核得到一个feature
map，64个卷积核就得到64个feature map。
资源评论
