Visualisation des réponses du noyau
Une des façons d'interpréter les poids d'un réseau neuronal consiste à observer comment les noyaux stockés dans ces poids « perçoivent » le monde. En d'autres termes, quelles propriétés d'une image sont mises en évidence par ce noyau. Dans cet exercice, nous allons procéder ainsi en effectuant une convolution d'une image avec le noyau et en visualisant le résultat. À partir des images contenues dans la variable test_data, d'une fonction appelée extract_kernel() qui extrait un noyau du réseau fourni, et de la fonction appelée convolution() que nous avons définie dans le premier chapitre, extrayez le noyau, chargez les données à partir d'un fichier et visualisez-les avec matplotlib.
Un réseau neuronal profond CNN ( model), une fonction d'convolution(), ainsi que l'kernel que vous avez extrait lors d'un exercice précédent sont disponibles dans votre espace de travail.
Êtes-vous prêt à passer au niveau supérieur en matière d'apprentissage profond ? Consultez la section Apprentissage profond avancé avec Keras pour découvrir comment l'API fonctionnelle Keras vous permet d'acquérir des connaissances spécifiques à un domaine afin de résoudre de nouveaux types de problèmes.
Cet exercice fait partie du cours
Modélisation d'images avec Keras
Instructions
- Utilisez la fonction
convolution()pour convoluer le noyau extrait avec le premier canal du quatrième élément du tableau d'images. - Visualisez la convolution obtenue à l'aide de l'
imshow().
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
import matplotlib.pyplot as plt
# Convolve with the fourth image in test_data
out = ____(____[____, :, :, 0], kernel)
# Visualize the result
____
plt.show()