联系我们
- 地 址:北京市海淀区北四环西路9号 ,主 营:人脸识别,活体检测,身份证识别,银行卡识别,名片识别,车牌识别,OCR识别等及智能识别技术。
- 电 话:13146317170 廖经理
- 传 真:
- 邮 箱:398017534@qq.com
AI人工智能CNN模型的可视化
AI人工智能CNN模型的可视化
大家都理解卷积神经网络CNN,但是关于它在每一层提取到的特征以及训练的进程能够还是不太知道,所以这篇次要经过模型的可视化来神经网络在每一层中是如何训练的。我们晓得,神经网络自身包括了一系列特征提取器,理想的feature map应该是稀疏的以及包括典型的部分信息。经过模型可视化能有一些直观的看法并协助我们调试模型,比方:feature map与原图很接近,阐明它没有学到什麼特征;或许它简直是一个纯色的图,阐明它太过稀疏,能够是我们feature map数太多了(feature_map数太多也反映了卷积核太小)。可视化有很多种,比方:feature map可视化、权重可视化等等,我以feature map可视化爲例。
模型可视化
由于我没有搜到用paddlepaddle在imagenet 1000分类的数据集上预训练好的googLeNet inception v3,所以用了keras做实验,以下图作爲输出:
输出图片
北汽绅宝D50:
feature map可视化
取网络的前15层,每层取前3个feature map。
北汽绅宝D50 feature map:
从左往右看,可以看到整个特征提取的进程,有的别离背景、有的提取轮廓,有的提取色差,但也能发现10、11层两头两个feature map是纯色的,能够这一层feature map数有点多了,另外北汽绅宝D50的光晕对feature map中光晕的影响也能比拟分明看到。
Hypercolumns
通常我们把神经网络最初一个fc全衔接层作爲整个图片的特征表示,但是这一表示能够过于粗糙(从下面的feature map可视化也能看出来),没法准确描绘部分空间上的特征,而网络的第一层空间特征又太过准确,缺乏语义信息(比方前面的色差、轮廓等),于是论文《Hypercolumns for Object Segmentation and Fine-grained Localization》提出一种新的特征表示办法:Hypercolumns——将一个像素的 hypercolumn 定义爲一切 cnn 单元对应该像素地位的激活输入值组成的向量),比拟好的tradeoff了后面两个成绩,
模型可视化
由于我没有搜到用paddlepaddle在imagenet 1000分类的数据集上预训练好的googLeNet inception v3,所以用了keras做实验,以下图作爲输出:
输出图片
北汽绅宝D50:
feature map可视化
取网络的前15层,每层取前3个feature map。
北汽绅宝D50 feature map:
从左往右看,可以看到整个特征提取的进程,有的别离背景、有的提取轮廓,有的提取色差,但也能发现10、11层两头两个feature map是纯色的,能够这一层feature map数有点多了,另外北汽绅宝D50的光晕对feature map中光晕的影响也能比拟分明看到。
Hypercolumns
通常我们把神经网络最初一个fc全衔接层作爲整个图片的特征表示,但是这一表示能够过于粗糙(从下面的feature map可视化也能看出来),没法准确描绘部分空间上的特征,而网络的第一层空间特征又太过准确,缺乏语义信息(比方前面的色差、轮廓等),于是论文《Hypercolumns for Object Segmentation and Fine-grained Localization》提出一种新的特征表示办法:Hypercolumns——将一个像素的 hypercolumn 定义爲一切 cnn 单元对应该像素地位的激活输入值组成的向量),比拟好的tradeoff了后面两个成绩,
上一条:酒店前台人像识别设备
下一条:AI机器学习的未来方向