Vizualizace odezvy kernelů
Jedním ze způsobů, jak interpretovat váhy neuronové sítě, je podívat se na to, jak kernely uložené v těchto vahách „vidí" svět – tedy jaké vlastnosti obrazu daný kernel zdůrazňuje. V tomto cvičení to vyzkoušíme tak, že obraz s kernelem zkombinujeme konvolucí a výsledek vizualizujeme. Máš k dispozici obrázky v proměnné test_data, funkci extract_kernel(), která extrahuje kernel z dané sítě, a funkci convolution(), kterou jsme definovali v první kapitole. Extrahuj kernel, načti data a vizualizuj je pomocí matplotlib.
V tvém pracovním prostředí jsou dostupné: hluboký CNN model model, funkce convolution() a kernel extrahovaný v předchozím cvičení.
Chceš posunout své znalosti deep learningu dál? Podívej se na kurz Advanced Deep Learning with Keras a zjisti, jak ti funkcionální API Kerasu umožní využít znalosti z oboru k řešení nových typů problémů.
Toto cvičení je součástí kurzu
Image Modeling with Keras
Pokyny k cvičení
- Pomocí funkce
convolution()proveď konvoluci extrahovaného kernelu s prvním kanálem čtvrtého obrázku v poli. - Výsledek konvoluce vizualizuj pomocí
imshow().
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
import matplotlib.pyplot as plt
# Convolve with the fourth image in test_data
out = ____(____[____, :, :, 0], kernel)
# Visualize the result
____
plt.show()