如何查看并可视化Keras模型的中间层？以KerasMNIST预训练CNN为例

没问题！要可视化你提到的那个预训练MNIST CNN模型的中间层特征，咱们可以按下面的步骤来操作，步骤清晰易上手：

1. 加载预训练模型 #

首先得把你的预训练模型加载进来，确保你已经保存了模型文件（比如.h5格式）：

from keras.models import load_model

# 替换成你的模型文件路径
model = load_model('path/to/your/pretrained_model.h5')

2. 构建特征提取模型 #

接下来，我们需要创建一个新的模型，它会以原模型的输入为输入，输出你想要可视化的中间层的特征图。根据你给出的模型结构，比如可以选择conv2d_1、conv2d_2、max_pooling2d_1这些层：

from keras.models import Model

# 这里列出你想可视化的层名，根据你的模型结构调整
target_layer_names = ['conv2d_1', 'conv2d_2', 'max_pooling2d_1']

# 构建特征提取器
feature_extractor = Model(
    inputs=model.input,
    outputs=[model.get_layer(layer_name).output for layer_name in target_layer_names]
)

3. 准备输入样本 #

选一张MNIST的测试图片作为输入，记得要和模型训练时的预处理方式保持一致：

import numpy as np
from keras.datasets import mnist

# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 预处理：添加通道维度+归一化
x_test = x_test.reshape(x_test.shape[0], 28, 28, 1).astype('float32') / 255

# 选第一张测试图作为样本（你也可以选其他图片）
sample_image = x_test[0:1]  # 保持batch维度，模型需要4D输入

4. 提取中间层特征 #

用刚才构建的特征提取器，得到目标层的特征图：

# 预测得到各层的特征输出
layer_features = feature_extractor.predict(sample_image)

5. 可视化特征图 #

最后用Matplotlib把每个层的特征图画出来，直观看到中间层的学习效果：

import matplotlib.pyplot as plt

for idx, (layer_name, features) in enumerate(zip(target_layer_names, layer_features)):
    plt.figure(figsize=(16, 16))
    plt.suptitle(f'Feature Maps from Layer: *{layer_name}*', fontsize=18)
    
    # 计算特征图的行列数，让布局更美观
    num_features = features.shape[-1]
    rows = int(np.sqrt(num_features))
    cols = num_features // rows
    
    # 逐个绘制特征图
    for feature_idx in range(num_features):
        plt.subplot(rows, cols, feature_idx + 1)
        # 用灰度图显示，也可以换成'viridis'等彩色配色
        plt.imshow(features[0, :, :, feature_idx], cmap='gray')
        plt.axis('off')  # 关闭坐标轴，聚焦特征图
    
    plt.tight_layout()
    plt.show()

一些小提示 #

• 如果你的模型层名和示例里的不一样，一定要修改target_layer_names里的内容，和模型结构中的层名完全匹配
• 如果你用自己的图片而不是MNIST样本，要确保图片的尺寸、通道数、归一化方式和训练时一致
• 可以更换cmap参数（比如cmap='viridis'），用彩色来观察特征图的细节差异

内容的提问来源于stack exchange，提问作者Eka