在张量流中将 CNN 过滤器权重可视化为 numpy 数组答案

【问题标题】：Visualising CNN filter weights as numpy array in tensorflow在张量流中将 CNN 过滤器权重可视化为 numpy 数组
【发布时间】：2017-11-28 16:05:26
【问题描述】：

我已经训练了一个 2 层卷积神经网络层 CNN 来对 64 通道 EEG 数据集进行分类。该模型具有良好的训练、验证和测试精度。现在我想查看模型为每个通道（特征）学习的权重，我设法将过滤器权重导出并保存为 numpy 数组。当我读取并显示我的过滤器权重时，每个过滤器内部都有两个数组，一个有 10 个值，另一个有 11 个值。我在第 1 层有 32 个过滤器，在第 2 层有 64 个过滤器。所有过滤器都是这样的。

(数组([2, 3, 1, 2, 8, 2, 2, 1, 1, 3]), 数组([-0.17596437, -0.14086468, -0.10576499, -0.0706653, -0.03556561, -0.00046591、0.03463378、0.06973347、0.10483316、0.13993285、 0.17503254]))

我无法解释与我的 64 个通道相关的这一点，因为我有兴趣知道每个通道学习的权重。我的减肥方法正确吗？，如果正确，我如何与 64 个功能匹配？，因为我有同一个过滤器的第一个数组中有 10 个值，第二个数组中有 11 个值。

我的第一个和第二个卷积层是这样的

#weight and bias the first convolution layer
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])

#first convolution and pooling 
h_conv1 = tf.nn.relu(conv2d(x_iput, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)

#weight and bias of the second convolution layer
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])

#second convolution and pooling 
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)

训练我的模型后，这就是我保存卷积层 1 权重的方法

with tf.variable_scope('conv1', reuse=True) as scope_conv:
    Conv1_weights = W_conv1.eval()

    with open("conv1.weights.npz", "wb") as outfile:
       np.save(outfile, Conv1_weights)

为了保存权重，我关注了来自here的问题

【问题讨论】：

标签： python numpy tensorflow conv-neural-network

【解决方案1】：

我提取了特征图权重而不是过滤器，并且能够提取每个通道学习到的权重。第一个卷积层的特征图有池化前的所有通道，所以我使用了第一个卷积层的特征图。我还尝试使用具有最高权重的较少通道重新训练我的模型，但它仍然具有很高的准确性。

【讨论】：