Визуализируйте функции сверточной нейронной сети
Этот пример показывает, как визуализировать функции, изученные сверточными нейронными сетями.
Сверточные нейронные сети используют функции, чтобы классифицировать изображения. Сеть изучает эти, показывает себя во время учебного процесса. То, что сеть изучает во время обучения, иногда неясно. Однако можно использовать функцию deepDreamImage, чтобы визуализировать изученные функции.
Сверточные слои сети выводят несколько 2D массивов. Каждый массив (или канал) соответствует фильтру, применился к входу слоя. Каналы, выведенные полносвязными слоями, соответствуют высокоуровневым комбинациям функций, изученных более ранними слоями.
Можно визуализировать то, на что изученные функции похожи при помощи deepDreamImage, чтобы сгенерировать изображения, которые строго активируют конкретный канал сетевых слоев.
Пример требует Deep Learning Toolbox™ и Модели Deep Learning Toolbox для пакета Сетевой поддержки AlexNet.
Загрузите предварительно обученную сеть
Загрузите предварительно обученную сеть AlexNet.
net = alexnet;
Визуализируйте сверточные слои
В сети AlexNet существует пять 2D сверточных слоев. Сверточные слои к началу сети имеют небольшой восприимчивый размер поля и изучают маленькие, низкоуровневые функции. Слои к концу сети имеют большие восприимчивые размеры поля и изучают большие функции.
Используя свойство Layers, просмотрите сетевую архитектуру и найдите сверточные слои. Заметьте, что 2D сверточные слои являются слоями 2, 6, 10, 12, и 14.
net.Layers
ans =
25x1 Layer array with layers:
1 'data' Image Input 227x227x3 images with 'zerocenter' normalization
2 'conv1' Convolution 96 11x11x3 convolutions with stride [4 4] and padding [0 0 0 0]
3 'relu1' ReLU ReLU
4 'norm1' Cross Channel Normalization cross channel normalization with 5 channels per element
5 'pool1' Max Pooling 3x3 max pooling with stride [2 2] and padding [0 0 0 0]
6 'conv2' Grouped Convolution 2 groups of 128 5x5x48 convolutions with stride [1 1] and padding [2 2 2 2]
7 'relu2' ReLU ReLU
8 'norm2' Cross Channel Normalization cross channel normalization with 5 channels per element
9 'pool2' Max Pooling 3x3 max pooling with stride [2 2] and padding [0 0 0 0]
10 'conv3' Convolution 384 3x3x256 convolutions with stride [1 1] and padding [1 1 1 1]
11 'relu3' ReLU ReLU
12 'conv4' Grouped Convolution 2 groups of 192 3x3x192 convolutions with stride [1 1] and padding [1 1 1 1]
13 'relu4' ReLU ReLU
14 'conv5' Grouped Convolution 2 groups of 128 3x3x192 convolutions with stride [1 1] and padding [1 1 1 1]
15 'relu5' ReLU ReLU
16 'pool5' Max Pooling 3x3 max pooling with stride [2 2] and padding [0 0 0 0]
17 'fc6' Fully Connected 4096 fully connected layer
18 'relu6' ReLU ReLU
19 'drop6' Dropout 50% dropout
20 'fc7' Fully Connected 4096 fully connected layer
21 'relu7' ReLU ReLU
22 'drop7' Dropout 50% dropout
23 'fc8' Fully Connected 1000 fully connected layer
24 'prob' Softmax softmax
25 'output' Classification Output crossentropyex with 'tench' and 999 other classes
Функции на сверточном слое 1
Установите layer быть первым сверточным слоем. Этот слой является вторым слоем в сети и назван 'conv1'.
layer = 2; name = net.Layers(layer).Name
name = 'conv1'
Визуализируйте первые 56 функций, изученных этим слоем с помощью deepDreamImage установкой channels, чтобы быть вектором индексов 1:56. Установите 'PyramidLevels' на 1 так, чтобы изображения не масштабировались. Чтобы отобразить изображения вместе, можно использовать imtile.
deepDreamImage использует совместимый графический процессор, по умолчанию, при наличии. В противном случае это использует центральный процессор. CUDA® включил NVIDIA®, графический процессор с вычисляет возможность 3.0, или выше требуется для обучения на графическом процессоре.
channels = 1:56;
I = deepDreamImage(net,layer,channels,'PyramidLevels',1);|==============================================| | Iteration | Activation | Pyramid Level | | | Strength | | |==============================================| | 1 | 4.80 | 1 | | 2 | 40.36 | 1 | | 3 | 75.93 | 1 | | 4 | 111.50 | 1 | | 5 | 147.06 | 1 | | 6 | 182.63 | 1 | | 7 | 218.20 | 1 | | 8 | 253.76 | 1 | | 9 | 289.33 | 1 | | 10 | 324.90 | 1 | |==============================================|
figure I = imtile(I,'ThumbnailSize',[64 64]); imshow(I) title(['Layer ',name,' Features'])
Эти изображения в основном содержат ребра и цвета, который указывает, что фильтры на слое 'conv1' являются детекторами ребра и цветовыми фильтрами. Детекторы ребра под различными углами, который позволяет сети создавать более комплексные функции в более поздних слоях.
Функции на сверточном слое 2
Эти функции создаются, используя функции из слоя 'conv1'. Второй сверточный слой называют 'conv2', который соответствует слою 6. Визуализируйте первые 30 функций, изученных этим слоем установкой channels, чтобы быть вектором индексов 1:30.
layer = 6;
channels = 1:30;
I = deepDreamImage(net,layer,channels,'PyramidLevels',1);|==============================================| | Iteration | Activation | Pyramid Level | | | Strength | | |==============================================| | 1 | 5.00 | 1 | | 2 | 2.90 | 1 | | 3 | 11.25 | 1 | | 4 | 18.39 | 1 | | 5 | 23.25 | 1 | | 6 | 27.79 | 1 | | 7 | 31.34 | 1 | | 8 | 35.06 | 1 | | 9 | 37.35 | 1 | | 10 | 40.11 | 1 | |==============================================|
figure I = imtile(I,'ThumbnailSize',[64 64]); imshow(I) name = net.Layers(layer).Name; title(['Layer ',name,' Features'])
Функции на сверточных слоях 3-5
Для каждого из остающихся сверточных слоев визуализируйте первые 30 изученных функций. Чтобы подавить подробный вывод на процессе оптимизации, установите 'Verbose' на 'false' в вызове deepDreamImage. Заметьте, что слои, которые более глубоки в сетевой урожай более подробные фильтры.
layers = [10 12 14]; channels = 1:30; for layer = layers I = deepDreamImage(net,layer,channels, ... 'Verbose',false, ... 'PyramidLevels',1); figure I = imtile(I,'ThumbnailSize',[128 128]); imshow(I) name = net.Layers(layer).Name; title(['Layer ',name,' Features']) end
Визуализируйте полносвязные слоя
В модели AlexNet существует три полносвязных слоя. Полносвязные слоя находятся к концу сети и изучают высокоуровневые комбинации функций, изученных более ранними слоями.
Выберите первые два полносвязных слоя (слои 17 и 20).
layers = [17 20];
Для каждого из этих слоев используйте deepDreamImage, чтобы визуализировать первые шесть функций. Установите 'NumIterations' на 50 в вызове deepDreamImage производить более подробные изображения. Изображения, сгенерированные от итогового полносвязного слоя, соответствуют классам изображений.
channels = 1:6; for layer = layers I = deepDreamImage(net,layer,channels, ... 'Verbose',false, ... 'NumIterations',50); figure I = imtile(I,'ThumbnailSize',[128 128]); imshow(I) name = net.Layers(layer).Name; title(['Layer ',name,' Features']) end
Чтобы произвести изображения, которые напоминают каждый класс наиболее тесно, выберите итоговый полносвязный слой и установите channels быть индексами классов.
layer = 23; channels = [9 188 231 563 855 975];
Классы хранятся в свойстве Classes выходного слоя (последний слой). Можно просмотреть имена выбранных классов путем выбора записей в channels.
net.Layers(end).Classes(channels)
ans = 6×1 categorical array
hen
Yorkshire terrier
Shetland sheepdog
fountain
theater curtain
geyser
Сгенерируйте подробные изображения, которые строго активируют эти классы.
I = deepDreamImage(net,layer,channels, ... 'Verbose',false, ... 'NumIterations',50); figure I = imtile(I,'ThumbnailSize',[128 128]); imshow(I) name = net.Layers(layer).Name; title(['Layer ',name,' Features'])
