如何在Keras的CNN模型中可视化全连接层输出图像及报错解决

我来帮你搞定这个可视化的问题，先拆解清楚报错原因，再给你适配全连接层的代码方案。

为什么会报IndexError？ #

你看你的模型结构，当layer_num=11时，对应的是最后一层dense_20，它的输出是一维向量（形状是(None, 2)）。输入单张测试图时，activations[0][0]的形状就是(2,)——只有1个维度。但你的代码里还是用处理卷积层的逻辑，去访问feature_maps.shape[2]，一维数组的shape元组只有1个元素（索引0），自然就会索引越界了。

卷积层的输出是3D特征图（高度×宽度×通道数），全连接层是把前面的特征扁平化后做线性变换，输出是一维的神经元激活值，两者结构完全不一样，代码必须区分处理。

修复后的完整代码 #

下面是修改后的代码，兼容卷积层和全连接层的可视化，我加了详细注释：

def get_featuremaps(model, layer_idx, X_batch):
    get_activations = K.function([model.layers[0].input, K.learning_phase()],
                                 [model.layers[layer_idx].output,])
    activations = get_activations([X_batch, 0])
    return activations

# 这里可以替换成你想可视化的层编号
layer_num = 11
test_image = x[0]
test_image_show = test_image[:, :, 0]
plt.axis('off')
# 给测试图加batch维度
test_image = np.expand_dims(test_image, axis=0)
print(f"测试图形状：{test_image.shape}")

# 获取层输出
activations = get_featuremaps(model, int(layer_num), test_image)
print(f"激活值整体形状：{np.shape(activations)}")
feature_maps = activations[0][0]
print(f"当前层单样本输出形状：{np.shape(feature_maps)}")

# 核心：区分卷积层（3D输出）和全连接层（1D输出）
if len(feature_maps.shape) == 3:
    # 原有的卷积层可视化逻辑，保持不变
    # 注意：K.image_dim_ordering()在新版本Keras里已经被K.image_data_format()替代，建议替换
    if K.image_data_format() == 'channels_first':
        feature_maps = np.rollaxis((np.rollaxis(feature_maps, 2, 0)), 2, 0)
    print(f"调整后卷积层特征图形状：{feature_maps.shape}")
    
    num_of_featuremaps = feature_maps.shape[2]
    fig = plt.figure(figsize=(16, 16))
    plt.title(f"Feature Maps - Layer {layer_num}")
    subplot_num = int(np.ceil(np.sqrt(num_of_featuremaps)))
    for i in range(num_of_featuremaps):
        ax = fig.add_subplot(subplot_num, subplot_num, i+1)
        ax.imshow(feature_maps[:, :, i], cmap='gray')
        plt.xticks([])
        plt.yticks([])
    plt.tight_layout()
    plt.show()
elif len(feature_maps.shape) == 1:
    # 全连接层的可视化逻辑，分两种情况
    fig = plt.figure(figsize=(8, 3))
    plt.title(f"Dense Layer {layer_num} Output")
    
    # 情况1：如果是最后一层（比如layer_num=11，输出2维），用条形图展示每个神经元的激活值
    plt.bar(range(len(feature_maps)), feature_maps, color='lightblue')
    plt.xticks(range(len(feature_maps)), [f"Neuron {i}" for i in range(len(feature_maps))])
    plt.xlabel("Neuron Index")
    plt.ylabel("Activation Value")
    plt.tight_layout()
    plt.show()
    
    # 情况2：如果是中间全连接层（比如layer_num=9，dense_19，输出256维），可以转成正方形图像
    if layer_num == 9:
        # 256是16的平方，刚好可以转成16×16的图像
        img_size = int(np.sqrt(len(feature_maps)))
        dense_image = feature_maps.reshape(img_size, img_size)
        fig = plt.figure(figsize=(6,6))
        plt.title(f"Dense Layer {layer_num} as Image")
        plt.imshow(dense_image, cmap='gray')
        plt.xticks([])
        plt.yticks([])
        plt.show()

关于全连接层可视化的说明 #

全连接层本身没有卷积层那样的空间结构，所以可视化方式要灵活调整：

• 最后一层（分类层）：用条形图最直观，能清楚看到每个类别的预测激活值；
• 中间全连接层：把一维向量重塑为正方形图像是常用技巧，虽然没有实际的空间含义，但能快速看到哪些神经元被激活（亮的区域就是激活值高的神经元）。

小提示 #

如果你用的是较新版本的Keras，记得把K.image_dim_ordering()换成K.image_data_format()，避免出现废弃警告。

内容的提问来源于stack exchange，提问作者Hitesh