<0 else 'black')步骤3：定义CNN模型
本文构建的CNN模型具有卷积层和最大池层 ， 并且使用上述过滤器初始化权重：
import torchimport torch.nn as nnimport torch.nn.functional as F class Net(nn.Module):def __init__(self, weight): super(Net, self).__init__() # initializes the weights of the convolutional layer to be the weights of the 4 defined filters k_height, k_width = weight.shape[2:] # assumes there are 4 grayscale filters self.conv = nn.Conv2d(1, 4, kernel_size=(k_height, k_width), bias=False) # initializes the weights of the convolutional layer self.conv.weight = torch.nn.Parameter(weight) # define a pooling layer self.pool = nn.MaxPool2d(2, 2) def forward(self, x): # calculates the output of a convolutional layer # pre- and post-activation conv_x = self.conv(x) activated_x = F.relu(conv_x)# applies pooling layer pooled_x = self.pool(activated_x)# returns all layers return conv_x, activated_x, pooled_x # instantiate the model and set the weightsweight = torch.from_numpy(filters).unsqueeze(1).type(torch.FloatTensor)model = Net(weight)# print out the layer in the networkprint(model)Net(
(conv): Conv2d(1, 4, kernel_size=(4, 4), stride=(1, 1), bias=False)
(pool): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
)
步骤4：可视化过滤器
快速浏览一下所使用的过滤器
def viz_layer(layer, n_filters= 4): fig = plt.figure(figsize=(20, 20))for i in range(n_filters): ax = fig.add_subplot(1, n_filters, i+1) ax.imshow(np.squeeze(layer[0,i].data.numpy()), cmap='gray') ax.set_title('Output %s' % str(i+1))fig = plt.figure(figsize=(12, 6))fig.subplots_adjust(left=0, right=1.5, bottom=0.8, top=1, hspace=0.05, wspace=0.05)for i in range(4): ax = fig.add_subplot(1, 4, i+1, xticks=[], yticks=[]) ax.imshow(filters[i], cmap='gray') ax.set_title('Filter %s' % str(i+1))gray_img_tensor = torch.from_numpy(gray_img).unsqueeze(0).unsqueeze(1)
文章插图
步骤5：每层过滤器的输出
在卷积层和池化层输出的图像如下所示：
卷积层：
文章插图
池化层：
文章插图
可以看到不同层结构得到的效果会有所差别 ， 正是由于不同层提取到的特征不同 ， 在输出层集合到的特征才能很好地抽象出图像信息 。
作者信息Vihar Kurama ， 机器学习
本文由阿里云云栖社区组织翻译 。
文章_本文原题《Understanding Convolutional Neural Networks through Visualizations in PyTorch》 ， 译者：海棠 ， 审校：Uncle_LLD 。
推荐阅读
- 三星发布新电视：99.99%屏占比 8K输出
- Facebook Messenger收集的数据量有多吓人？可视化对比图告诉你
- 数据可视化三节课之二：可视化的使用
- 历时 1 个月，做了 10 个 Python 可视化动图，用心且精美...
- 公牛推出电竞充电器，1A1C双输出，集成能量呼吸灯
- 在Linux系统中安装深度学习框架Pytorch
- 为何学习编程往往都是从编写输出HelloWorld的程序开始
- MOMAX推出20W 1A1C PD充电器，支持双口输出
- 数据|南方电网超高压公司成功举办首届数据可视化分析大赛
- 30行Python代码实现3D数据可视化！非常惊艳