可视化神经网络的一些方法
来源:互联网 发布:淘宝售前和售后哪个好 编辑:程序博客网 时间:2024/06/05 16:48
原文为http://cs231n.github.io/understanding-cnn/
可视化CNN学到的东西
有一些方法可以用来理解和可视化CNN, 作为对深度学习不可解释的论述的反击。
1. 可视化激活值和第一层卷积的权重
最直接的可视化方法就是展示在前向传播(forward pass)网络中的激活值(activation)
对于带relu的网络,激活值的map在开始的层会密集,之后逐渐稀疏。
一个陷阱是你可以注意到一些map,他们对于不同输入,永远响应是全零图。(换句话说,他们对于网络没有贡献)
他们成为了dead filter,这可能是由于高的learning rate导致的。
第二个方法是可视化网络中的权重。 通常第一个conv的filter是最容易解释的,但也是可以可视化其他filter。
在well-trained的网络中filter往往记忆了一些好看和平滑的filter,如果出现了noise 的可视化结果可能你网络没有train足够,
或者正则项太小了(weight decay),导致过拟合了。
2.找图片中 激活值最大的区域
另一个可视化技巧是 拿一堆图片把它们前馈到网络中,找到图片中哪一部分激活值最大。
然后我们可以画出图片。看看对应的receptive field。
(接受域:这个值之前从那些区域的值计算得到的。比方你一次3*3卷积得到一个value,这个value的接受域是3*3
如果3*3中每个值,是由再之前原图3*3得到的,我们不考虑overlap的话,这个value在原图的接受域就是9*9)
3. 用tSNE来embedding
convent是把图片慢慢变成一个表达(这个表达最后可以用线性分类器分类)的过程。
我们可以把图像embedding到2维表达,然后用二维画到图上表达相似的关系。
在这些embedding 到2维方法中,比较有名的方法是tSNE产生视觉上pleasing的结果。
首先,产生一个embedding,我们需要用一些图片通过CNN(比如Alexnet,最后fc 4096维的结果)
我们把他扔到tSNE中每张图得到对应的一个2维向量。然后我们可以把这个2维向量看成坐标,扔到grid里。
4. 遮挡图片的一部份
假设Convnet识别出了一条狗。那么会不会是狗的背景,让cnn识别出狗,而不是狗本身呢?
一种方法是 遮挡图片的一部分 然后看狗那一类的激活值。
按照我们所想,如果遮住狗的话,那判断为狗的激活值应该显著下降。
- 可视化神经网络的一些方法
- 卷积神经网络的可视化
- 神经网络的可视化
- 【神经网络】神经网络可视化工具
- 简单卷积神经网络的tensorboard可视化
- 神经网络的一些笔记
- windows 下Keras中神经网络可视化模块安装配置方法
- 可视化编程的一些资料
- 可视化编程的一些资料
- 数据中心可视化的一些思考
- 神经网络特征可视化
- 可视化理解卷积神经网络
- 卷积神经网络可视化套路
- 可视化CNN卷积神经网络
- 可视化理解卷积神经网络
- 可视化理解卷积神经网络
- 神经网络可视化工具
- 可视化理解卷积神经网络
- 如何判断tp的版本
- facebook Lead Ads 潜在客户
- linux常用命令-修改主机名
- 分支定界算法求解带有约束条件的最短路径问题
- ubuntu安装百度云Bcloud验证码不通过解决方法
- 可视化神经网络的一些方法
- arp根据IP查找mac地址的过程
- jquery javascript 展开收起
- 如何提高代码质量
- 学习python3 05 python的高级特性
- 【WPF】【C#】测试下载文件(图片)
- linux下xmpp安装的apache服务器权限导致的系列问题
- 使用HttpClient发送post请求,替代过期的类和方法。
- getchar()的妙用