keras得到每层的系数方式

这篇文章主要介绍了keras得到每层的系数方式，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

使用keras搭建好一个模型，训练好，怎么得到每层的系数呢：

weights = np.array(model.get_weights()) print(weights) print(weights[0].shape) print(weights[1].shape)

这样系数就被存放到一个np中了。

补充知识：使用keras框架编写的深度模型 输出及每一层的特征可视化

使用训练好的模型进行预测的时候，为分析效果，通常需要对特征提取过程中的特征映射做可视化操作

本文以keras为例，对特征可视化操作进行详解。

一、首先，对模型的最后输出层进行特征可视化

from keras import models #使用matlpotlib模块进行绘图的操作 import matplotlib.pylot as plt #images是一个batch的输入图像，batch_input[batch图像数量，尺寸高，尺寸宽，3（rgb通道数量）] #model是训练好的模型 #model = load_model('path') nb_images = len(images) batch_input = np.zeros((nb_images, net_h, net_w, 3)) # preprocess the input for i in range(nb_images): batch_input[i] = preprocess_input(images[i], net_h, net_w) # run the prediction #batch_output为一个样本的所有通道输出特征映射，本文应用特征金字塔结构，有三个维度的特征提取层 #batch_output[0]是第一个维度的特征提取层所有通道的输出特征映射，四维，本文例子中为[1, 52, 52, 72] #[一个样本，尺寸，尺寸，通道数] #也可以是batch_output = model.predict(batch_input) batch_output = model.predict_on_batch(batch_input) batch_Boxes = [None]*nb_images print(batch_output[0].shape) #display feature map #下面为归一化到0-255空间内 xx = batch_output[0] max = np.max(xx) print(max,"max value is :") X_output = X_output .astype("float32") / max * 255 #下面的30为第30个通道 X_output = xx[0,:,:,30] #使用matplotlib显示图像 plt.figure() plt.imshow(X_output, cmap='viridis') plt.show() #输出结果

原始图像

输出层的特征可视化

二、可视化某一层的特征映射

from keras import backend as k from keras import models import matplotlib.pylot as plt model = load_model('...') layer_1 =k.function([model.layers[0].input], [model.layers[1].output]) #第2个model,layers[]改成你想显示的层数 f1 = layer_1[input_image][0] f1.image = f1[0,:,:,channel] plt,matshow(f1.image, camp='viridis') plt.show()

示例：

from keras import models import matplotlib.pylot as plt from keras import backend as k #images是一个batch的输入图像，batch_input[batch图像数量，尺寸高，尺寸宽，3（rgb通道数量）] #model是训练好的模型 #model = load_model('path') nb_images = len(images) batch_input = np.zeros((nb_images, net_h, net_w, 3)) # preprocess the input for i in range(nb_images): batch_input[i] = preprocess_input(images[i], net_h, net_w) #display feature map #可视化第一层的特征映射 layer_1 = K.function([model.layers[0].input], [model.layers[1].output]) f1 = layer_1([batch_input])[0] print(f1.shape) max = np.max(f1) f1 =f1.astype("float32") / max * 255 plt.figure() #显示第一层网络前5个通道的特征映射 for i in range(5): plt.subplot(2, 3, i+1) plt.imshow(f1[0,:,:,i], cmap='viridis') plt.show()

输出结果：

以上这篇keras得到每层的系数方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持编程之家。