Python Tensorflow-可视化预训练网络的学习过滤器

我目前正试图用python中的tensorflow来可视化我的CNN所学的过滤器。 在培训新网络时，我发现许多版本使用mnist数据集，但无法将其应用到我的应用程序中。 我使用自定义数据集训练了一个存储在磁盘上的估计器对象。该模型包含以下层：

conv1 = tf.layers.conv2d(inputs=input_layer, filters=32, kernel_size=[5, 5], padding="same", activation=tf.nn.sigmoid)

并且只想在单个图片上以尺寸（28,28,3）显示预测。 在tensorboard中，该层简单地称为“conv2d”，而其他层则称为“conv2d_2”，依此类推，它基本上与默认MNIST网络具有相同的结构，只是使用了sigmoid函数

我不知道如何实现这一点——我曾想过获得权重和偏差，并根据步幅和过滤器大小重新计算每一层，但我已经无法获得权重，我认为有一个更简单的解决方案

我目前正试图用python中的tensorflow来可视化我的CNN所学的过滤器

我想你的意思是可视化特定层的激活？如果是这样的话，您只需要为想要的图像运行该层的张量，如下所示：

import matplotlib.pyplot as plt

# Model definition
...
conv1 = tf.layers.conv2d(inputs=input_layer, filters=32, kernel_size=[5, 5], padding="same", activation=tf.nn.sigmoid)
...

# Getting activations
acts = sess.run(conv1, {input_layer: your_image})

# Visualizing every filters
for i in range(acts.shape[3]):
  plt.imshow(acts[:,:,:,i].squeeze())
  plt.show()

如果您使用的是Estimator，您可以在模型中使用tf.summary.image（）直接可视化激活的演变情况。\u fn：

# In model_fn
...
conv1 = tf.layers.conv2d(inputs=input_layer, filters=32, kernel_size=[5, 5], padding="same", activation=tf.nn.sigmoid)
acts_filters = tf.unstack(conv1, axis=3)
for i, filter in enumerate(acts_filters):
    tf.summary.image('filter' + str(i), tf.expand_dims(filter, axis=3))

---

欢迎来到堆栈溢出！这个问题做得很好-很高兴看到第一次提问者提出了这样一个精巧的问题。：-）谢谢，但是我在哪里/如何导入我的模型本身，以及经过训练的权重？在使用我的网络时，我通常使用行

estim=tf.estimator.estimator（model_fn=model…，model_dir=“…”）

，然后指定我要预测一些东西，例如，很抱歉再次询问，但我不知道如何进一步使用tf.summary.image。我在我的模型中添加了你的第二块代码，它终止时没有错误，但我不知道如何从这些张量中得到任何东西，谷歌也无法帮助我。感谢您的耐心。您只需要使用以下命令运行tensorboard，例如：tensorboard--logdir/，然后转到图像选项卡。我似乎没有图像选项卡，因为我可能需要将summary.images添加到编写器或类似的东西中，但同样，我无法实现在该问题上找到的任何结果。Tensorflow只显示标量、图形和投影仪。当我单击右侧下拉菜单中的“图像”时，它会显示没有图像，因为我可能忘记将它们写入事件文件，或者它找不到我的事件文件。Estimator会自动将任何摘要添加到事件文件中。你又试过训练了吗？