机器学习笔记（二十三）——Tensorflow 2（可视化）
本博客仅用于个人学习，不用于传播教学，主要是记自己能够看得懂的笔记（
学习知识来自：【吴恩达团队Tensorflow2.0实践系列课程第一课】TensorFlow2.0中基于TensorFlow2.0的人工智能、机器学习和深度学习简介及基础编程_哔哩哔哩_bilibili
上次鉴别了一下人与马，这次换了一个数据集，鉴别猫与狗。方法与上次一毛一样，不过这次后面要加一个可视化操作，来看看我们的图片经过卷积和池化之后的有什么变化，有什么突出的地方。
这次为了方便，用的是jupyter notebook编辑的（之前使用VScode），数据集下载地址：https://storage.googleapis.com/mledu-datasets/cats_and_dogs_filtered.zip
可视化的话，就在我上次写的代码后面加上下面这些，就可以了。另外，代码中的plt.show()在jupyter notebook中可以删除。
import random from tensorflow.keras.preprocessing.image import img_to_array,load_img import matplotlib.pyplot as plt s_outputs=[layer.output for layer in model.layers[1:]] #储存每一层的输出 v_model=tf.keras.models.Model(inputs=model.input,outputs=s_outputs) #建立新的模型 for root,dirs,catsnam in os.walk(filepath+'/tmp/train/cats'): used_up_variable=0 for root,dirs,dogsnam in os.walk(filepath+'/tmp/train/dogs'): used_up_variable=0 catsnam=[filepath+'/tmp/train/cats/'+nam for nam in catsnam] dogsnam=[filepath+'/tmp/train/dogs/'+nam for nam in dogsnam] #获取所有文件的绝对路径 img_path=random.choice(catsnam+dogsnam) #随机取一个图片 img=load_img(img_path,target_size=(150,150)) #以150*150加载图片 plt.imshow(img) plt.show() x=img_to_array(img) x=x.reshape((1,)+x.shape) #变为(1,150,150,3) x/=255.0 #归一化 maps=v_model.predict(x) #生成结果 ans=model.predict(x,batch_size=10) #预测结果 print(ans[0]) if ans[0]<0.5: print('This is a cat.') else: print('This is a dog.') layernams=[layer.name for layer in model.layers] #获取每一层的名字 for layernam,map in zip(layernams,maps): if len(map.shape)==4: #输出Flatten之前的卷积层和池化层的图像 tunnel=map.shape[-1] #获取特征数 size=map.shape[1] #获取输出图像的边长 d_grid=np.zeros((size,size*tunnel)) #建立0矩阵，之后将输出图像放置在其中，有tunnel张图 for i in range(tunnel): #以下为图像美化处理，我也不知道什么原理 x=map[0,:,:,i] x-=x.mean() x=x/x.std() x*=64 x+=128 x=np.clip(x,0,255).astype('uint8') d_grid[:,i*size:(i+1)*size]=x #并入到矩阵中 scale=20.0/tunnel #总长：20 plt.figure(figsize=(scale*tunnel,scale)) #输出大小：20*something plt.title(layernam) plt.grid(False) plt.gray() plt.imshow(d_grid,aspect='auto',cmap='viridis') #见参考博客 plt.show()
得到结果：
