अंदर से मस्तिष्क (कृत्रिम तंत्रिका नेटवर्क मॉडल के माध्यम से पैटर्न के पारित होने का दृश्य)

परिचय

प्रयुक्त सॉफ्टवेयर

• टेंसरफ्लो 1.10.0
• करस 2.2.4
• matplotlib 2.2.0
• मॉड्यूलर-os
• numpy1.14.3

PLOT_PATTERN_PROCCESS(...) 

PLOT_MODEL = सत्य

 def PLOT_PATTERN_PROCCESS(model, pattern, FOLDER_TO_SAVE, grid_size=(3, 3), limit_size_layer=(15, 15), PLOT_MODEL=True): 

मुख्य विचार

कार्यान्वयन

 from keras.models import * from keras.layers import * import matplotlib.pyplot as plt import os import numpy as np 

• def PLOT_PATTERN_PROCCESS (मॉडल, पैटर्न, FOLDER_TO_SAVE, ग्रिड_साइज़ = (3, 3), limit_size_layer = (15, 15), PLOT_MODE = True):

   def PLOT_PATTERN_PROCCESS(model, pattern, FOLDER_TO_SAVE, grid_size=(3, 3), limit_size_layer=(15, 15), PLOT_MODEL=True): """ :param model:   keras :type model: Sequential :param pattern:  ,       :type pattern: np.array :param FOLDER_TO_SAVE:       :type FOLDER_TO_SAVE: str :param grid_size:     :type grid_size: tuple :param limit_size_layer:      :type limit_size_layer: tuple :param PLOT_MODEL:    :type PLOT_MODEL: PLOT_MODEL """ SAVE_AR_LIST = [] for num_layer in range(1, len(model.layers)): LO = model.layers[num_layer].output _model = Model(inputs=model.input, outputs=LO) if ( len(_model.output_shape) == 3 and _model.output_shape[1] > limit_size_layer[0] and _model.output_shape[2] > limit_size_layer[1] ): _output = _model.predict(pattern)[0] SAVE_AR_LIST.append( [ num_layer, model.layers[num_layer].name, _output.tolist() ] ) ### PIC_NUM = 0 while len(SAVE_AR_LIST) > 0: fig, axs = plt.subplots(nrows=grid_size[0], ncols=grid_size[1], figsize=(10, 10), tight_layout=True) xmin, xmax = plt.xlim() ymin, ymax = plt.ylim() for ax in axs.flat: [num_layer, layer_name, ar] = SAVE_AR_LIST.pop(0) ax.imshow(np.array(ar), cmap='viridis', extent=(xmin, xmax, ymin, ymax)) ax.set_title(layer_name + " " + str(np.array(ar).shape)) if len(SAVE_AR_LIST) == 0: break # plt.show() plt.savefig(os.path.join(FOLDER_TO_SAVE, str(PIC_NUM) + '.png'), fmt='png') plt.close(fig) PIC_NUM += 1 ### if PLOT_MODEL: from keras.utils.vis_utils import plot_model plot_model( model=model, to_file=os.path.join(FOLDER_TO_SAVE, model.name + " neural network architecture.png"), show_shapes=True, show_layer_names=True ) ### 

  
  
• def build_model (IN_SHAPE = 50, CLASSES = 5) -> अनुक्रमिक:

   def build_model(IN_SHAPE=50,CLASSES=5) -> Sequential: inputs_LAYER0 = Input(shape=(IN_SHAPE,IN_SHAPE)) Dense_2_2 = Dense(75, activation='relu')(inputs_LAYER0) Dense_2_3 = Dense(50, activation='relu', name="my_dense")(Dense_2_2) Dense_2_4 = Dense(25, activation='relu')(Dense_2_3) Dense_2_5 = Dense(10, activation='relu')(Dense_2_4) flat_f_0 = Flatten()(Dense_2_5) final_layer= Dense(CLASSES, activation='softmax')(flat_f_0) # model = Model(input=inputs_LAYER0, output=final_layer, name="simple model") model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) model.summary() return model 

  
  

 model_ = build_model() pattern = np.random.sample((1,50,50)) os.makedirs("PLOT_PATTERN_PROCCESS") PLOT_PATTERN_PROCCESS( model = model_, pattern = pattern, FOLDER_TO_SAVE = "PLOT_PATTERN_PROCCESS", PLOT_MODEL=False, grid_size=(2, 2) ) 

कार्यक्रम का विवरण

 build_model() 

 _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= input_1 (InputLayer) (None, 50, 50) 0 _________________________________________________________________ dense_1 (Dense) (None, 50, 75) 3825 _________________________________________________________________ my_dense (Dense) (None, 50, 50) 3800 _________________________________________________________________ dense_2 (Dense) (None, 50, 25) 1275 _________________________________________________________________ dense_3 (Dense) (None, 50, 10) 260 _________________________________________________________________ flatten_1 (Flatten) (None, 500) 0 _________________________________________________________________ dense_4 (Dense) (None, 5) 2505 ================================================================= Total params: 11,665 Trainable params: 11,665 Non-trainable params: 0 _________________________________________________________________ 

 pattern 

 os.makedirs("PLOT_PATTERN_PROCCESS") 

विधि विवरण PLOT_PATTERN_PROCCESS

 _output = _model.predict(pattern)[0] 

 limit_size_layer 

 SAVE_AR_LIST 

1. परत संख्या
   
   

    num_layer 

2. परत नाम
   
   

    model.layers[num_layer].name 

3. आउटपुट दो-आयामी सरणी
   
   

     _output.tolist() 

 SAVE_AR_LIST 

 ax.imshow(np.array(ar), cmap='viridis', extent=(xmin, xmax, ymin, ymax)) 

सिफारिशें

• परत नाम इस प्रकार सेट करें:
  
  

   Dense_2_3 = Dense(50, activation='relu', name="my_dense")(Dense_2_2) 

  
  यह बहुत सुविधाजनक है जब मूल्यांकन और न्यूरोएलेट्रिक्चर के साथ तुलना करना।
• इस दृष्टिकोण का उपयोग करते हुए, यह देखना दिलचस्प है कि युग से युग तक सीखने के दौरान नेटवर्क से गुजरते समय पैटर्न कैसे बदलता है
• ग्रिड स्थापित न करें
  
  

   grid_size 

  
  बड़ा क्योंकि प्रदर्शित चित्रों का आकार छोटा और असंक्रामक होगा
• यदि आप डायनामिक्स (प्रशिक्षण के दौरान या पैटर्न के एक पैकेट को पास करने) में निरीक्षण करते हैं, तो हम पहले से ही बड़े आकारों की जानकारी के बारे में बात कर रहे हैं। एप्लिकेशन द्वारा कब्जा की गई रैम को कम करने के लिए, पीसी पर फ़ाइलों को एरे को सहेजना बेहतर है, उदाहरण के लिए, JSON प्रारूप में , और सभी पैटर्न को संसाधित करने के बाद, फाइलों को एक-एक करके पुन: व्यवस्थित करें और उन्हें छवियों में बदल दें।