Kernel-Reaktionen anschaulich machen
Eine Möglichkeit, die Gewichte eines neuronalen Netzwerks zu verstehen, ist zu schauen, wie die in diesen Gewichten gespeicherten Kerne die Welt „sehen”. Also, welche Eigenschaften eines Bildes werden durch diesen Kernel betont? In dieser Übung machen wir das, indem wir ein Bild mit dem Kernel falten und das Ergebnis anschauen. Mit den Bildern in der Variablen „ test_data “, einer Funktion namens „ extract_kernel() “, die einen Kernel aus dem angegebenen Netzwerk extrahiert, und der Funktion „ convolution() “, die wir im ersten Kapitel definiert haben, extrahierst du den Kernel, lädst die Daten aus einer Datei und visualisierst sie mit „ matplotlib “.
Ein tiefes CNN- model, eine Funktion convolution() und das in einer früheren Übung extrahierte kernel sind in deinem Arbeitsbereich verfügbar.
Bist du bereit, dein Deep Learning auf die nächste Stufe zu bringen? Schau dir „Advanced Deep Learning mit Keras“ an, um zu erfahren, wie du mit der funktionalen API von Keras Fachwissen aufbauen kannst, um neue Probleme zu lösen.
Diese Übung ist Teil des Kurses
Bildmodellierung mit Keras
Anleitung zur Übung
- Mit der Funktion „
convolution()“ kannst du den extrahierten Kernel mit dem ersten Kanal des vierten Elements im Bildarray verknüpfen. - Visualisiere die resultierende Faltung mit „
imshow()“.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
import matplotlib.pyplot as plt
# Convolve with the fourth image in test_data
out = ____(____[____, :, :, 0], kernel)
# Visualize the result
____
plt.show()