卷積神經(jīng)網(wǎng)絡(luò)(cnn)是一種神經(jīng)網(wǎng)絡(luò)，通常用于圖像分類、目標(biāo)檢測和其他計算機視覺任務(wù)。CNN的關(guān)鍵組件之一是特征圖，它是通過對圖像應(yīng)用卷積濾波器生成的輸入圖像的表示。

理解卷積層

卷積的概念是CNN操作的核心。卷積是一種數(shù)學(xué)運算，它把兩個函數(shù)結(jié)合起來產(chǎn)生第三個函數(shù)。在cnn的上下文中，這兩個函數(shù)是輸入圖像和濾波器，而得到的結(jié)果就是特征圖。

2、卷積的層

卷積層包括在輸入圖像上滑動濾波器，并計算濾波器與輸入圖像的相應(yīng)補丁之間的點積。然后將結(jié)果輸出值存儲在特征映射中的相應(yīng)位置。通過應(yīng)用多個過濾器，每個過濾器檢測一個不同的特征，我們可以生成多個特征映射。

3、重要參數(shù)

Stride：Stride 是指卷積濾波器在卷積運算過程中在輸入數(shù)據(jù)上移動的步長。

Output_Size = (Input_Size - Filter_Size + 2 * Padding) / Stride + 1

特征圖可視化

## Importing libraries
#Imageprocessinglibrary
importcv2
#Kerasfromtensorflow
importkeras
#InKeras,thelayersmoduleprovidesasetofpre-builtlayerclassesthatcanbeusedtoconstructneuralnetworks.
fromkerasimportlayers
#Forplotinggraphsandimages
importmatplotlib.pyplotasplt
importnumpyasnp

img_size=(224,224)
file_name="./data/archive/flowers/iris/10802001213_7687db7f0c_c.jpg"
img=cv2.imread(file_name)#readingtheimage
img=cv2.resize(img,img_size)

model=keras.Sequential()
filters=16
model.add(layers.Conv2D(input_shape=(224,224,3),filters=filters,kernel_size=3))
model.add(layers.Conv2D(filters=filters,kernel_size=3))

filters, bias = model.layers[0].get_weights()
min_filter = filters.min()
max_filter = filters.max()
filters = (filters - min_filter) / (max_filter - min_filter)p

figure=plt.figure(figsize=(10,20))
filters_count=filters.shape[-1]
channels=filters.shape[0]
index=1
forchannelinrange(channels):
forfilterinrange(filters_count):
        plt.subplot(filters_count, channels, index)
        plt.imshow(filters[channel, :, :, filter])
        plt.xticks([])
        plt.yticks([])
        index+=1
plt.show()

normalized_img=(img-img.min())/(img.max()-img.min())
normalized_img=normalized_img.reshape(-1,224,224,3)
feature_map=model.predict(normalized_img)

feature_map = (feature_map - feature_map.min())/ (feature_map.max() - feature_map.min())

total_imgs = feature_map.shape[0]
no_features=feature_map.shape[-1]
fig=plt.figure(figsize=(10,50))
index=1
 
forimage_noinrange(total_imgs):
forfeatureinrange(no_features):
#plottingfor16filtersthatproduced16featuremaps
plt.subplot(no_features,3,index)
plt.imshow(feature_map[image_no,:,:,feature],cmap="gray")
plt.xticks([])
plt.yticks([])
index+=1
plt.show()

總結(jié)

通過可視化CNN不同層的特征圖，可以更好地理解網(wǎng)絡(luò)在處理圖像時“看到”的是什么。例如，第一層可能會學(xué)習(xí)簡單的特征，如邊緣和角落，而后面的層可能會學(xué)習(xí)更抽象的特征，如特定物體的存在。通過查看特征圖，我們還可以識別圖像中對網(wǎng)絡(luò)決策過程重要的區(qū)域。