Python 在tflearn中可视化CNN层或池层

在tflearn中进行培训甚至测试时，是否有任何方法可以可视化CNN或池层的输出？我看过tensorflow的可视化代码，但由于session和feeddict都涉及到它们，我不断得到错误，如“unhable numpy.ndarray”，但我的图像尺寸相同，因此我决定询问是否有一种方法可以可视化任何层的输出。下面是我的tflearn层代码：-

X_train, X_test, y_train, y_test=cross_validation.train_test_split(data,labels,test_size=0.1)

    tf.reset_default_graph()
    convnet=input_data(shape=[None,50,50,3],name='input')
    convnet=conv_2d(convnet,32,5,activation='relu')
    convnet=max_pool_2d(convnet,5)
    convnet=conv_2d(convnet,64,5,activation='relu')
    convnet=max_pool_2d(convnet,5)

    convnet=conv_2d(convnet,32,5,activation='relu')
    convnet=max_pool_2d(convnet,5)

    convnet=fully_connected(convnet,128,activation='relu')
    convnet=dropout(convnet,0.4)
    convnet=fully_connected(convnet,6,activation='softmax')
    convnet=regression(convnet,optimizer='adam',learning_rate=0.005,loss='categorical_crossentropy',name='MyClassifier')
    model=tflearn.DNN(convnet,tensorboard_dir='log',tensorboard_verbose=0)
    model.fit(X_train,y_train, n_epoch=20,validation_set=(X_test,y_test), snapshot_step=20,show_metric=True,run_id='MyClassifier')
    print("Saving the model")
    model.save('model.tflearn')

在培训或测试工作正常时，如何可视化任何层的输出？我所说的输出是指检测边缘或其他低级特征的失真图像。谢谢。

如前所述，只需定义一个新模型，将观察到的层作为输出，就可以看到中间层产生的输出。 首先，声明原始模型（但保留对要观察的中间层的引用）：

convnet=input\u数据（shape=[None，50，50，3]，name='input'）
convnet=conv_2d（convnet，32,5，activation='relu'）
max_0=max_pool_2d（convnet，5）
convnet=conv_2d（最大值为0,64,5，激活=relu'）
max_1=max_pool_2d（convnet，5）
...
convnet=回归（…）
model=tflearn.DNN（…）
模型拟合（…）

现在只需为每个层创建一个模型，并预测输入数据：

observed=[max_0，max_1，max_2]
observers=[tflearn.DNN（v，session=model.session）表示观察到的v]
输出=[m.predict（X_测试）针对观察者中的m]
打印（[d.shape用于输出中的d]）

它为您的模型输出以下已计算的张量形状：

[（2,10,10,32），（2,2,2,64），（2,1,1,32）]

有了它，您将能够在测试期间查看输出。至于训练，也许你可以用回拨电话

class PlottingCallback（tflearn.callbacks.Callback）：
定义初始化（self，model，x，
层_至_观察=（），
内核=10，
输入=1）：
self.model=model
self.x=x
self.kernels=内核
self.inputs=输入
self.observators=[tflearn.DNN（l）表示层中的l\u-to\u-observe]
def在终端（自我、训练状态）：
输出=[o.predict（self.x）对于self.observators中的o]
对于范围内的i（自输入）：
plt.图（frameon=False）
plt.子批次调整（wspace=0.1，hspace=0.1）
ix=1
对于输出中的o：
对于范围内的内核（self.kernels）：
plt.子批（len（输出）、self.kernels、ix）
imshow（o[i，：，：，内核]）
打印轴（“关闭”）
ix+=1
plt.savefig（'图像输出：%i-at-epoch:%i.png'
%（一、培训（国家纪元））
模型安装（X_系列、y_系列、，
...
回调=[PlottingCallback（模型，X_测试，（最大值0，最大值1，最大值2））]

这将在每个历元将类似的图像保存到磁盘上：

---

你为什么不能设置

tensorboard\u verbose=3

并通过tensorboard查看图层的“激活”直方图？对不起，我真的不知道tensorboard\u verbose=3，但我是否可以将它们输入plt或任何其他图形函数，并获得CNN用于预测的扭曲图像？好吗我检查了它，甚至用它来测试加载的模型，它只是显示了曲线和所有，我应该用它来再次训练模型以查看输出吗？很好的解释，只是一个愚蠢的问题，当我得到张量的输出形状时，我如何绘制它并看到它。我不能在一个简单的matplot的plt函数上做这个，你能帮我吗？我在做回调训练“raise TypeError（'Tensor'对象不可iterable.”）时也遇到了这个错误。它在这行“self.observators=[tflearn.DNN（l）for l in layers\u to\u observe]”我只传递了max_0作为参数。您只需要选择一个映像和一个内核，然后使用

plt.imshow（输出[image，：，：，kernel）绘制它

。按照我在

PlottingCallback

中编写的代码进行操作。至于您的错误，这是因为回调需要观察一个层列表，而您只传递一个。请注意

（max\u 0）

不是一个元素的元组，而是

（max\u 0，）

is。当我给它另一个max_1层时，上面提到的错误已经解决了，现在我在回调函数的某个地方得到了这个错误“TypeError:“NoneType”对象不可调用。我需要更多的信息。这到底是在哪里提出的？