卷积神经网络-权值可视化
主要问题
我无法理解特定图层的权重图。我使用了一种“无学习”的方法：plot\u conv\u weights（layer，figsize=（6，6））
我用千层面作为我的神经网络库。
情节很好，但我不知道该怎么解释。
神经网络结构
im使用的结构：
InputLayer 1x31x31
Conv2DLayer 20x3x3
Conv2DLayer 20x3x3
Conv2DLayer 20x3x3
MaxPool2DLayer 2x2
Conv2DLayer 40x3x3
Conv2DLayer 40x3x3
Conv2DLayer 40x3x3
MaxPool2DLayer 40x2x2
DropoutLayer
DenseLayer 96
DropoutLayer 96
DenseLayer 32
DropoutLayer 32
DenseLayer 1 as sigmoid
以下是前3层的权重：
**关于图片**
所以对我来说，它们看起来是随机的，我无法解释它们！
然而，在Cs231上，它说：
Conv/FC过滤器。第二种常见策略是将权重可视化。这些通常在第一个CONV层上最容易解释，该层直接查看原始像素数据，但也可以显示网络中更深层次的滤波器权重。权重对于可视化非常有用，因为经过良好训练的网络通常会显示良好且平滑的过滤器，没有任何噪声模式。噪声模式可能是网络训练时间不够长的指标，也可能是导致过度拟合的非常低的正则化强度http://cs231n.github.io/understanding-cnn/
那为什么我的是随机的？
该结构经过训练并在其任务中表现良好。
参考文献
http://cs231n.github.io/understanding-cnn/
https://github.com/dnouri/nolearn/blob/master/nolearn/lasagne/visualize.py
共有1个答案
通常，在可视化权重时，需要检查两件事：
- 它们是平滑的，并且涵盖了广泛的值，即它不是一堆1和0。这意味着非线性已经饱和。
- 它们有某种结构。通常您倾向于看到定向边缘，尽管当您使用3x3等小型过滤器时，这更难看到。
也就是说，你的权重似乎没有饱和，但它们确实看起来太随机了。在训练过程中，网络收敛正确吗？我也对你的过滤器有多大感到惊讶（30x30）。不知道你想用它来实现什么。
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Kriz
-
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络
-
我读过这篇文章“UFLDF”，它发展了autoencoder中隐藏层的可视化，但我很困惑如何可视化卷积神经网络的滤波器。在我看来，对于第一个卷积层，要使滤波器可视化，它需要这个等式： 对于第二个卷积层，它应该将滤波器投射到原始输入空间，但我不知道如何做。
-
在了解了机器学习概念之后，现在可以将注意力转移到深度学习概念上。深度学习是机器学习的一个分支。深度学习实现的示例包括图像识别和语音识别等应用。 以下是两种重要的深度神经网络 - 卷积神经网络 递归神经网络 在本章中，我们将重点介绍CNN - 卷积神经网络。 卷积神经网络 卷积神经网络旨在通过多层阵列处理数据。这种类型的神经网络用于图像识别或面部识别等应用。CNN与其他普通神经网络之间的主要区别在于
-
主要内容：卷积神经网络深度学习是机器学习的一个分支，它是近几十年来研究人员突破的关键步骤。深度学习实现的示例包括图像识别和语音识别等应用。 下面给出了两种重要的深度神经网络 - 卷积神经网络 递归神经网络。 在本章中，我们将关注第一种类型，即卷积神经网络(CNN)。 卷积神经网络 卷积神经网络旨在通过多层阵列处理数据。这种类型的神经网络用于图像识别或面部识别等应用。 CNN与任何其他普通神经网络之间的主要区别在于CNN
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组32x32RGB的图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Krizhev