Filter 如何在tensorflow上可视化学习的过滤器

与Caffe框架类似，在CNN训练期间可以观察学习的滤波器，并与输入图像进行卷积，我想知道是否可以对TensorFlow进行同样的操作

可在此链接中查看Caffe示例：

---

谢谢你的帮助

要在Tensorboard中只查看几个conv1过滤器，可以使用以下代码（它适用于cifar10）

---

我还编写了一个在网格中显示所有64个conv1过滤器的简单代码。

要在Tensorboard中只查看几个conv1过滤器，可以使用以下代码（它适用于cifar10）

---

我还编写了一个在网格中显示所有64个conv1筛选器的简单方法。

您是否将这段代码放在cifar 10脚本的“推断”函数中？我没有，但这是一个好主意：）我刚刚更新了相应的代码！谢谢我在“convert\u image\u dtype”中遇到错误，所以我将

tf.image.convert\u image\u dtype（kernel\u 0\u to\u 1，dtype=tf.uint8）

更改为

kernel\u 0\u to\u 255\u uint8=tf.cast（kernel\u 0\u to\u 1，dtype=tf.float32）

。奇怪的是，我没有任何错误。。很显然，Tensorboard也可以在[0,1]范围内可视化浮动图像。顺便说一句，

kernel\u 0\u to\u 1

已经是float类型，因此您的强制转换是多余的。我更新了代码它只在conv1中工作。conv2，conv3……怎么样？您是否将这段代码放在cifar 10脚本的“推断”函数中？我没有，但这是一个好主意：）我刚刚更新了代码，效果相当！谢谢我在“convert\u image\u dtype”中遇到错误，所以我将

tf.image.convert\u image\u dtype（kernel\u 0\u to\u 1，dtype=tf.uint8）

更改为

kernel\u 0\u to\u 255\u uint8=tf.cast（kernel\u 0\u to\u 1，dtype=tf.float32）

。奇怪的是，我没有任何错误。。很显然，Tensorboard也可以在[0,1]范围内可视化浮动图像。顺便说一句，

kernel\u 0\u to\u 1

已经是float类型，因此您的强制转换是多余的。我更新了代码它只在conv1中工作。conv2，conv3……怎么样？你可以用这个工具我想这就是我要找的。谢谢然而，张力板应该有这个功能。请参阅可能的副本谢谢！这就是我要找的！非常感谢。你可以用这个工具我想这就是我要找的。谢谢然而，张力板应该有这个功能。请参阅可能的副本谢谢！这就是我要找的！非常感谢。

# this should be a part of the inference(images) function in cifar10.py file

# conv1
with tf.variable_scope('conv1') as scope:
  kernel = _variable_with_weight_decay('weights', shape=[5, 5, 3, 64],
                                       stddev=1e-4, wd=0.0)
  conv = tf.nn.conv2d(images, kernel, [1, 1, 1, 1], padding='SAME')
  biases = _variable_on_cpu('biases', [64], tf.constant_initializer(0.0))
  bias = tf.nn.bias_add(conv, biases)
  conv1 = tf.nn.relu(bias, name=scope.name)
  _activation_summary(conv1)

  with tf.variable_scope('visualization'):
    # scale weights to [0 1], type is still float
    x_min = tf.reduce_min(kernel)
    x_max = tf.reduce_max(kernel)
    kernel_0_to_1 = (kernel - x_min) / (x_max - x_min)

    # to tf.image_summary format [batch_size, height, width, channels]
    kernel_transposed = tf.transpose (kernel_0_to_1, [3, 0, 1, 2])

    # this will display random 3 filters from the 64 in conv1
    tf.image_summary('conv1/filters', kernel_transposed, max_images=3)