为Keras卷积神经网络（CNN）的每一层激活层添加可视化

嘿，我来帮你搞定CNN层激活可视化的事儿！你已经有了一个Sequential结构的卷积神经网络，要探查每一层激活层的输出其实很 straightforward，咱们一步步来实现：

首先，我们需要基于你现有的模型，构建一个新模型——它的输入和原模型一致，但输出是所有激活层的结果。Keras的Model类正好能帮我们做到这一点。

假设你的原模型是通过get_model()获取的，先加载它：

from tensorflow.keras.models import Model

# 加载你的原模型
model = get_model()

接下来，筛选出所有激活层（比如你用的LeakyReLU）的输出张量：

# 提取所有LeakyReLU激活层的输出
activation_outputs = [layer.output for layer in model.layers if isinstance(layer, LeakyReLU)]

# 如果想查看所有层（包括卷积、池化层）的输出，直接改成下面这行：
# activation_outputs = [layer.output for layer in model.layers]

然后用这些输出张量创建新的激活可视化模型：

activation_model = Model(inputs=model.input, outputs=activation_outputs)

现在需要准备一张测试图像，按照模型输入的要求做预处理（比如尺寸、归一化、通道数）。举个例子：

from tensorflow.keras.preprocessing.image import load_img, img_to_array
import numpy as np

# 加载并预处理测试图像
img_path = "your_test_image.jpg"
# 调整尺寸到模型要求的img_rows和img_cols，通道数匹配IMG_MODE
img = load_img(img_path, target_size=(img_rows, img_cols), color_mode="grayscale" if IMG_MODE == 1 else "rgb")
img_array = img_to_array(img)
# 增加batch维度（模型输入需要批量维度）
img_array = np.expand_dims(img_array, axis=0)
# 和训练时的预处理一致，比如归一化到0-1区间
img_array /= 255.0

然后用activation_model预测，得到所有激活层的输出：

# 获取激活值，返回的是一个列表，每个元素对应一个激活层的输出张量
activations = activation_model.predict(img_array)

最后一步就是把这些激活值画出来。我们写一个简单的可视化函数，把每个特征图都展示在网格里：

import matplotlib.pyplot as plt

def plot_activations(activation, layer_name):
    # 调整张量形状到(height, width, num_filters)，适配不同的通道格式
    if activation.shape[1] == IMG_MODE:  # 处理channels_first格式
        activation = np.transpose(activation[0], (1, 2, 0))
    else:
        activation = activation[0]
    
    num_filters = activation.shape[-1]
    # 设置网格列数，平衡布局美观度
    cols = 8
    rows = num_filters // cols + (1 if num_filters % cols != 0 else 0)
    
    plt.figure(figsize=(cols * 2, rows * 2))
    plt.suptitle(f"Activation Maps: {layer_name}", fontsize=16)
    
    for i in range(num_filters):
        plt.subplot(rows, cols, i + 1)
        # 可选不同配色方案，比如"gray"适合灰度特征，"viridis"是彩色渐变
        plt.imshow(activation[:, :, i], cmap="viridis")
        plt.axis("off")  # 关闭坐标轴让特征图更清晰
    plt.tight_layout()
    plt.show()

# 遍历所有激活层的输出，逐一可视化
for idx, activation in enumerate(activations):
    # 获取对应的层名称
    layer_name = activation_outputs[idx].name
    plot_activations(activation, layer_name)

• 如果你想查看特定层的输出，比如某一个卷积层，可以直接指定层的索引，比如activation_outputs = [model.layers[2].output]（对应你模型里的第一个LeakyReLU层）
• 不同的colormap会影响可视化效果，比如cmap="gray"适合灰度特征图，cmap="plasma"是暖色调的彩色图
• 如果特征图数量特别多，可以调整cols的数值（比如改成16），让布局更紧凑
• 一定要保证测试图像的预处理和训练时完全一致，不然得到的激活值可能没有参考意义

内容的提问来源于stack exchange，提问作者Avi