实战图像分类网络的可视化 | 图像分类专栏

欢迎来到《图像分类》专栏，今天讲述分类模型可视化问题，进入网络内部，让我们一探究竟！

1 简介

一直以来，深度学习 被认为缺乏可解释性和基础理论支撑，往往被人们看做一个“黑匣子”。为了展现神经网络的内部特征并构建相应的理解过程，使神经网络更加可靠，相关的网络可视化研究越来越受人们重视。

现阶段，网络可视化的研究内容基本上围绕经典的分类网络展开，是图像分类的延伸和升华，大体上可以分为层可视化、卷积核可视化、类激活图可视化三种，本篇文章我们就走进神经网络的内部，了解那些千姿百态的可视化知识。

2 方法汇总

2.1 层可视化

众所周知，神经网络由若干卷积层、池化层、非线性激活层等构成，层可视化就是对构成网络的各层结果进行可视化，以观测图像在网络中的传播过程。

层可视化的对应操作比较简单，我们只需要获取网络的各层输出结果，也就是将图像由 tensor 形式转换为 numpy 对应的矩阵形式即可。

如上图中的蜘蛛，可以输出每层的结果如下：

在层数较低时，网络关注的重点在整幅图片，随着层数的加深，关注的重点则放在了某些轮廓边缘区域，说明网络会随着学习的深入关注更加细节的部分，这一过程也符合人们由整体到局部的认知方式。

层可视化可以很好的解释网络学习的大致流程，呈现了网络在图像传播过程中关注区域的变化过程。

2.2 卷积核可视化

图像分类网络的本质是对卷积核的参数进行学习，不同的卷积核代表对应的类别特征，是分类的核心基准。因此，如何呈现出卷积核的内容，也是评判网络学习能力的方法之一。

在进行卷积核可视化时，我们需要对网络中各层学习到的参数进行提取，同样需要由 tensor 转化为转换为 numpy 对应的矩阵形式。

仍然以蜘蛛的图片为例，可以看到不同层的卷积核可视化如下：

可以看出浅层的卷积核大多学习点、颜色等基础特征；随着层数的增加开始学习到线段、边缘等特征。层数越深，学习到的特征就越具体越抽象。

2.3 类激活图可视化

层可视化和卷积核可视化所关注的重点在图像的局部特征，需要通过提取每层的参数才可以获得对应的可视化图，并不能反应整幅图像的完整响应。

如果能得出整幅图像对其类别的整体响应值，即每个像素在分类所做出的贡献，我们便可以得到特征在网络学习过程中的重要程度占比。

在此基础上，类激活图的概念被提出。

通过对特征图作全局平均值池化可以获得特征图的整体均值，并移除全连接层，以此作为基准进行分类，可以保留特征的空间位置信息，从而反应图像中任意位置特征的重要程度。

如上图中的花朵图像，通过类激活图我们可以看到网络关注的重点区域，这也是判定网络学习是否准确的一种全新思路。

总结

以上就是关于网络可视化的内容，目前许多关于可视化的研究仍在开展当中，这有助于我们更深入的了解网络各部分的作用，更有助于对网络模型进行优化，希望大家可以重视这部分内容，深入的去了解整个过程。

作者介绍

郭冰洋，公众号“有三 AI”作者。该公号聚焦于让大家能够系统性地完成 AI 各个领域所需的专业知识的学习。

原文链接

https://mp.weixin.qq.com/s/gH85ZbJh_rnm3n6FSm9TSw