概述
本文介绍用 tensorflow.keras.backend.function方式，查看 卷积特征图结果，权重、偏置量
准备图片
为了便于人眼查看，采用下面16*16的小图：
将上面16*16单通道图下载到本地
代码
导入模块
# coding: utf-8
from tensorflow.keras import Sequential
from tensorflow.keras import Model
from tensorflow.keras.layers import Conv2D, MaxPool2D
from tensorflow.keras.layers import Activation
import matplotlib.pyplot as plt
from pylab import *
from PIL import Image
import numpy as np
from tensorflow.keras.backend import function
读取图片
path=r"C:\Users\mym\Desktop\文件接收柜\feiji.jpg"
im = Image.open(path)
img=np.array(im)
print('输入图shape：',img.shape)
print('输入图：',img)
img=img.reshape(img.shape[0],img.shape[1],1)
# img=np.expand_dims(img,-1)
print(img.shape)
# print(img)
建模
model = Sequential()
# 第一层CNN
# 第一个参数是卷积核的数量，第二三个参数是卷积核的大小
model.add(Conv2D(2, (3, 3), input_shape=img.shape))
# 为了简单，激活层注释掉
# model.add(Activation('relu'))
model.add(MaxPool2D(pool_size=(4, 4)))
# 第二层CNN
# model.add(Conv2D(9, (5, 5), input_shape=img_shape))
# model.add(Activation('relu'))
# model.add(MaxPool2D(pool_size=(3, 3)))
# # # # 第三层CNN
# model.add(Conv2D(9, (5, 5), input_shape=img_shape))
# model.add(Activation('relu'))
# model.add(MaxPool2D(pool_size=(2, 2)))
# # # # 第四层CNN
# model.add(Conv2D(9, (3, 3), input_shape=img_shape))
# model.add(Activation('relu'))
# model.add(MaxPool2D(pool_size=(2, 2)))
model.summary()
查看权重
w,b=model.layers[0].get_weights()
print(w)
print(w.shape)
print(b)
获取特征图
input_image = np.expand_dims(img, axis=0)
print('input_image.shape',input_image.shape)
print('len(model.layers)::',len(model.layers))
"""
第一个参数为输入层，list类型，model.layers[0],不修改,表示输入数据；
第二个参数为输出层，list类型，model.layers[you wanted],修改为要输出的层数的编号
输入层、输出层之间的层都会执行
"""
fun = function([model.layers[0].input], [model.layers[0].output,model.layers[1].output])
print(type(fun))
print(fun.__dict__)
"""
传入inpu_image，进行运算，返回特征图像矩阵
其shape中，中间两个是特征图像高、宽，最后一个是特征图数量
"""
out_img = fun([[input_image]])
out_img
# out_img.shape
定义显示图片的函数
def get_row_col(num_pic):
squr = num_pic ** 0.5
row = round(squr)
col = row + 1 if squr - row > 0 else row
return row, col
def show_img(out_img):
print("out_img type::",type(out_img))
num_pic = out_img.shape[-1]
row, col = get_row_col(num_pic)
print('out_img.shape:',out_img.shape)
#显示将特征图
for _ in range(num_pic):
show_img = out_img[:, :, :, _]
show_img.shape = out_img.shape[1:3]
plt.subplot(row, col, _ + 1)
plt.imshow(show_img, cmap='gray')
# plt.imshow(show_img)
plt.axis('off')
print('结果图像-----')
print(show_img)
plt.show()
显示特征图
# 显示卷积后的特征图
show_img(out_img[0])
# 显示池化后的特征图
show_img(out_img[1])
感谢：
https://blog.csdn.net/u010420283/article/details/80303231
https://blog.csdn.net/dcrmg/article/details/81255498
https://www.cnblogs.com/tectal/p/9426971.html