Wizualizacja odpowiedzi jąder splotowych
Jednym ze sposobów interpretacji wag sieci neuronowej jest sprawdzenie, jak jądra splotowe zapisane w tych wagach „postrzegają" obraz – innymi słowy, jakie właściwości obrazu są przez nie uwydatniane. W tym ćwiczeniu wykonasz splot obrazu z jądrem i zwizualizujesz wynik. Masz do dyspozycji obrazy zapisane w zmiennej test_data, funkcję extract_kernel() wyodrębniającą jądro z podanej sieci oraz funkcję convolution() zdefiniowaną w pierwszym rozdziale. Wyodrębnij jądro, wczytaj dane z pliku i zwizualizuj wynik za pomocą matplotlib.
W środowisku roboczym dostępne są: głęboki model CNN (model), funkcja convolution() oraz kernel wyodrębniony we wcześniejszym ćwiczeniu.
Chcesz pójść dalej w uczeniu głębokim? Zajrzyj do kursu Advanced Deep Learning with Keras, gdzie poznasz funkcjonalne API Keras i nauczysz się rozwiązywać nowe typy problemów.
To ćwiczenie jest częścią kursu
Modelowanie obrazów z Keras
Instrukcje do ćwiczenia
- Użyj funkcji
convolution(), aby wykonać splot wyodrębnionego jądra z pierwszym kanałem czwartego elementu tablicy obrazów. - Zwizualizuj wynikowy splot za pomocą
imshow().
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
import matplotlib.pyplot as plt
# Convolve with the fourth image in test_data
out = ____(____[____, :, :, 0], kernel)
# Visualize the result
____
plt.show()