小伙編深度學習，tensorflow用VGG19訓練，可視化每一層的輸出

一、簡介

VGG網絡在2014年的 ILSVRC localization and classification 兩個問題上分別取得了第一名和第二名。VGG網絡非常深，通常有16－19層，如果自己訓練網絡模型的話很浪費時間和計算資源。因此這裡採用一種方法獲取VGG19模型的模型數據，從而能夠更快速的應用到自己的任務中來，

本文在加載模型數據的同時，還可視化圖片在網絡傳播過程中，每一層的輸出特徵圖。讓我們能夠更直接的觀察網絡傳播的狀況。

運行環境為spyder，Python3.5，tensorflow1.2.1

模型名稱為： imagenet-vgg-verydeep-19.mat 大家可以在網上下載。

二、VGG19模型結構

模型的每一層結構如下圖所示：

三、代碼

這裡只給出核心的輸出圖像代碼，需要代碼的，可以留言，加入社群得到。

1. #獲取圖像shape


2. shape =(1,input_image.shape[0],input_image.shape[1],input_image.shape[2])

4. #開始會話

5. with tf.Session()as sess:

6. image = tf.placeholder('float', shape=shape)

7. #調用net函數

8. nets, mean_pixel, all_layers = net(VGG_PATH, image)

9. #減均值操作（由於VGG網絡圖片傳入前都做了減均值操作，所以這裡也用相同的預處理

10. input_image_pre = np.array([preprocess(input_image, mean_pixel)])

11. layers = all_layers # For all layers \n",

12. # layers = ('relu2_1', 'relu3_1', 'relu4_1')\n",

13. for i, layer in enumerate(layers):

14. print("[%d/%d] %s"%(i+1, len(layers), layer))

15. features = nets[layer].eval(feed_dict={image: input_image_pre})

17. print(" Type of 'features' is ", type(features))

18. print(" Shape of 'features' is %s"%(features.shape,))

19. # Plot response \n",

20. #畫出每一層

21. if1:

22. plt.figure(i+1, figsize=(10,5))

23. plt.matshow(features[0,:,:,0], cmap=plt.cm.gray, fignum=i+1)

24. plt.title(""+ layer)

25. plt.colorbar()

26. plt.show()

四、程序運行結果

1、print(weights)的結果：

2、程序運行最終結果：

程序開始兩層的可視化結果：

中間層數太多，這裡就不展示了。程序最後兩層的可視化結果：

閱讀更多 昂鈦客AI 的文章

關鍵字: 技術 可視化 網絡