Interpretacja modelu

Modelowanie obrazów z Keras

Ariel Rokem

Senior Data Scientist, University of Washington

Wybór warstw

model.layers

[<keras.layers.convolutional.Conv2D at 0x109f10c18>,
 <keras.layers.convolutional.Conv2D at 0x109ec5ba8>,
 <keras.layers.core.Flatten at 0x1221ffcc0>,
 <keras.layers.core.Dense at 0x1221ffef0>]

Pobieranie wag modelu

conv1 = model.layers[0]

weights1 = conv1.get_weights()

len(weights1)

kernels1 = weights1[0]

kernels1.shape

(3, 3, 1, 5)

kernel1_1 = kernels1[:, :,
                     0, 0]

kernel1_1.shape

(3, 3)

Wizualizacja jądra

plt.imshow(kernel1_1)

Wizualizacja odpowiedzi jąder

test_image = test_data[3, :, :, 0]

plt.imshow(test_image)

Wizualizacja odpowiedzi jąder

filtered_image = convolution(test_image, kernel1_1)

plt.imshow(filtered_image)

Wizualizacja odpowiedzi jąder

test_image = test_data[4, :, :, 1]
plt.imshow(test_image)

Wizualizacja odpowiedzi jąder

filtered_image = convolution(test_image, kernel1_1)
plt.imshow(filtered_img)

Wizualizacja odpowiedzi jąder

kernel1_2 = kernels[:, :, 0, 1]
filtered_image = convolution(test_image, kernel1_2)
plt.imshow(filtered_img)

Czas na ćwiczenia!

Modelowanie obrazów z Keras