对于中间激活的可视化，我们使用之前在猫狗分类中从头开始训练的小型卷积神经网络。

from keras.models import load_model

model = load_model('cats_and_dogs_small_2.h5')
model.summary() 

Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_5 (Conv2D)            (None, 148, 148, 32)      896       
_________________________________________________________________
max_pooling2d_5 (MaxPooling2 (None, 74, 74, 32)        0         
_________________________________________________________________
conv2d_6 (Conv2D)            (None, 72, 72, 64)        18496     
_________________________________________________________________
max_pooling2d_6 (MaxPooling2 (None, 36, 36, 64)        0         
_________________________________________________________________
conv2d_7 (Conv2D)            (None, 34, 34, 128)       73856     
_________________________________________________________________
max_pooling2d_7 (MaxPooling2 (None, 17, 17, 128)       0         
_________________________________________________________________
conv2d_8 (Conv2D)            (None, 15, 15, 128)       147584    
_________________________________________________________________
max_pooling2d_8 (MaxPooling2 (None, 7, 7, 128)         0         
_________________________________________________________________
flatten_2 (Flatten)          (None, 6272)              0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 6272)              0         
_________________________________________________________________
dense_3 (Dense)              (None, 512)               3211776   
_________________________________________________________________
dense_4 (Dense)              (None, 1)                 513       
=================================================================
Total params: 3,453,121
Trainable params: 3,453,121
Non-trainable params: 0

接下面，输入一张不属于网络的猫的图像

img_path = '/Users/fchollet/Downloads/cats_and_dogs_small/test/cats/cat.1700.jpg'

from keras.preprocessing import image  # 将图像处理成为一个4D张量
import numpy as np

img = image.load_img(img_path, target_size=(150, 150))
img_tensor = image.img_to_array(img)
img_tensor = np.expand_dims(img_tensor, axis=0)
img_tensor /= 255.

print(img_tensor.shape)

(1, 150, 150, 3)

显示测试图像

import matplotlib.pyplot as plt

plt.imshow(img_tensor[0])
plt.show()

为了提取想要查看的特征图，我们需要创建一个Keras模型，以图像批量作为输入，并输出所有卷积层和池化层的激活。为此，我们需要使用Keras的Model类。模型实例化需要两个参数：一个输入张量（或输入张量的列表）和一个输出张量（或输出张量的列表）。

from keras import models

layer_outputs = [layer.output for layer in model.layers[:8]]  #提取前8层的输出

activation_model = models.Model(inputs=model.input, outputs=layer_outputs)  #创建一个模型，给定模型的输入，可以返回这些输出

这段语句是输入一张图像，这个模型将返回原始模型的前8层激活值。这个模型有一个输入和8个输出，即每层激活对应一个输出。

activations = activation_model.predict(img_tensor)    # 返回8个Numpy数组组成的列表，每个层激活对应一个Numpy数组

first_layer_activation = activations[0]
print(first_layer_activation.shape)

(1, 148, 148, 32)
它是大小为148*148的特征图，有32个通道。我们来绘制原始模型第3个通道：

import matplotlib.pyplot as plt

plt.matshow(first_layer_activation[0, :, :, 3], cmap='viridis')
plt.show()

再看看第30个通道：

plt.matshow(first_layer_activation[0, :, :, 30], cmap='viridis')
plt.show()

我们可以看到，似乎不同通道对于图像检测有不同侧重，比如第3个通道更侧重于边缘检测，第30个通道更侧于”绿色圆点“检测。

下面我们来绘制网络中所有激活的完整可视化图。我们需要在8个特征图里的每一个都提取并绘制一个通道，然后将结果叠加在一个大的图像张量中，按通道并排。

import keras


layer_names = []
for layer in model.layers[:8]:
    layer_names.append(layer.name)  # 用来存储层的名称，这样你就可以把层的名称画到图中

images_per_row = 16

for layer_name, layer_activation in zip(layer_names, activations):    # 显示特征图
    n_features = layer_activation.shape[-1]        # 特征图中的特征个数

    size = layer_activation.shape[1]   # 特征图的形状为（1， size， size， n_features）

    n_cols = n_features // images_per_row  # 在这个矩阵中将激活通道平铺
    display_grid = np.zeros((size * n_cols, images_per_row * size))

    for col in range(n_cols):   #将每个过滤器平铺到一个大的水平网格中
        for row in range(images_per_row):
            channel_image = layer_activation[0,
                                             :, :,
                                             col * images_per_row + row]

            channel_image -= channel_image.mean()   #对特征进行后处理，使其看起来更加美观
            channel_image /= channel_image.std()
            channel_image *= 64
            channel_image += 128
            channel_image = np.clip(channel_image, 0, 255).astype('uint8')
            display_grid[col * size : (col + 1) * size,
                         row * size : (row + 1) * size] = channel_image   # 显示网格


    scale = 1. / size
    plt.figure(figsize=(scale * display_grid.shape[1],
                        scale * display_grid.shape[0]))
    plt.title(layer_name)
    plt.grid(False)
    plt.imshow(display_grid, aspect='auto', cmap='viridis')
    
plt.show()

更多精彩内容，欢迎关注我的微信公众号：数据瞎分析