如何可视化TensorFlow模型中的卷积层？请求技术协助

完全可以可视化模型中的卷积层，下面针对你的模型，分两种核心场景演示可视化方法，重点聚焦第一层卷积层：

一、可视化第一层卷积核的权重 #

你的模型第一层是Conv2D(16, (3,3), 1, activation='relu', input_shape=(256,256,3))，包含16个3×3×3的卷积核，步骤如下：

1. 导入依赖库

import tensorflow as tf
import matplotlib.pyplot as plt

2. 提取第一层卷积层的权重

# 从Sequential模型中获取第一层（索引0对应第一个添加的层）
first_conv_layer = model.layers[0]
# 提取权重：形状为(3,3,3,16)，对应(核高度,核宽度,输入通道数,核数量)
weights, biases = first_conv_layer.get_weights()

3. 归一化并绘制卷积核
   权重值范围差异大，先归一化到0-1区间方便观察：

# 归一化权重至[0,1]
weights_normalized = (weights - weights.min()) / (weights.max() - weights.min())

# 绘制16个卷积核
plt.figure(figsize=(12, 8))
for i in range(16):
    plt.subplot(4, 4, i+1)
    plt.imshow(weights_normalized[:, :, :, i])
    plt.axis('off')
plt.suptitle('第一层卷积核可视化', fontsize=16)
plt.show()

二、可视化第一层卷积层输出的特征图 #

这种方式能直观看到输入图像经过第一层卷积后的激活结果，步骤如下：

1. 准备符合要求的输入图像
   需将图像预处理为模型要求的(256,256,3)尺寸，并添加批量维度：

from tensorflow.keras.preprocessing import image
import numpy as np

# 替换为你的图片路径
img_path = 'sample_image.jpg'
img = image.load_img(img_path, target_size=(256,256))
input_image = image.img_to_array(img)
input_image = np.expand_dims(input_image, axis=0)
# 若训练时做了归一化，这里同步处理（比如除以255）
input_image = input_image / 255.0

2. 创建特征图提取模型

# 构建仅输出第一层卷积结果的模型
feature_extractor = tf.keras.Model(inputs=model.input, outputs=model.layers[0].output)

3. 提取并绘制特征图

# 获取特征图，形状为(1,254,254,16)（3×3卷积、步长1，256-3+1=254）
feature_maps = feature_extractor.predict(input_image, verbose=0)

# 可视化16个特征图
plt.figure(figsize=(12, 8))
for i in range(16):
    plt.subplot(4, 4, i+1)
    plt.imshow(feature_maps[0, :, :, i], cmap='gray')
    plt.axis('off')
plt.suptitle('第一层卷积层输出特征图', fontsize=16)
plt.show()

注意事项 #

• 确保模型已完成初始化或训练（未训练的模型权重为随机值，可视化结果无实际意义）
• 输入图像的预处理逻辑需与模型训练时完全一致，否则特征图结果会失真

内容的提问来源于stack exchange，提问作者A.j