TensorFlow怎么可视化卷积核权重_Python提取变量并绘制热力图-Python教程-PHP中文网

用 model.layers[i].get_weights() 获取卷积核的 numpy 数组，形状为 (h,w,in_c,out_c)，再按输出通道取均值或单通道投影（如 kernel[:,:,0,:]），用 sns.heatmap(np.flipud(k[:,:,i]), cmap='rdbu_r', robust=true) 绘制并保存为高 dpi png。

tensorflow怎么可视化卷积核权重_python提取变量并绘制热力图

如何用 `tf.keras` 获取卷积层的权重张量

卷积核权重不是直接可画的数组，而是绑定在 Conv2D 层实例上的 kernel 变量（类型为 tf.Variable），需先获取其值。模型训练后，不能直接对层对象调用 .weights 就拿到可用 numpy 数组——它返回的是包含 kernel 和 bias 的列表，且仍是 tf.Tensor。

实操建议：

用 model.layers[i].get_weights()：返回 [kernel_array, bias_array]，其中 kernel_array 是 numpy.ndarray，形状为 (height, width, in_channels, out_channels)
或更精准地：用 model.layers[i].kernel.numpy()（需确保模型已构建、变量已初始化），但注意该方法在 tf.function 内不可用，且可能触发 eager 模式警告
若报错 AttributeError: 'Conv2D' object has no attribute 'kernel'，说明层尚未 build，可先调用一次 model(tf.zeros((1,)+input_shape)) 触发初始化

为什么热力图要按输出通道切分绘制

一个 Conv2D 层的卷积核是四维的，比如 (3, 3, 3, 64) 表示 64 个 3×3 的 RGB 输入卷积核。直接展平或取均值会丢失空间感受野结构信息；而把每个 out_channel 对应的 (3, 3, 3) 核强行压缩成二维会混淆通道语义（比如 R/G/B 通道混叠）。

正确做法是：对每个输出通道，分别绘制其对应的所有输入通道卷积核的「空间平均」或「单通道投影」：

推荐方式：取每个 (h,w,in_c,out_c) 中的 in_c 维度均值 → 得到 (h,w,out_c)，再对每个 out_c 绘制一个热力图
或更直观：只看第一个输入通道（如灰度图场景），提取 kernel[:, :, 0, :]，得到 (h,w,out_c)，避免颜色通道干扰
别用 np.squeeze() 或 reshape(-1, out_c) —— 这会让空间结构塌缩，热力图看不出卷积核形状

用 `seaborn.heatmap` 绘制时的关键参数设置

seaborn.heatmap 默认把矩阵当“行×列”处理，但卷积核的 (h,w) 对应图像的高×宽，直接传入会导致热力图上下颠倒（因为 matplotlib 坐标原点在左下，而图像习惯原点在左上）。

python-parallelization

将顺序 Python 代码转换为并行/并发实现，用于在需要并行化 Python 代码、提升性能时使用。

下载

实操要点：

必须加 yticklabels=False, xticklabels=False 关闭刻度标签，否则数字坐标会干扰视觉判断
加 robust=True 让颜色映射忽略异常值，防止个别极大权重拉伸整个 colormap
用 plt.gca().invert_yaxis() 或在绘图前对 kernel 矩阵做 np.flipud()，否则热力图顶部显示的是 kernel 的最后一行（即底部感受野）
别用 cmap='viridis' —— 它对中间零值不敏感；改用 cmap='RdBu_r' 或 'coolwarm'，能清晰区分正负权重

import seaborn as sns
import matplotlib.pyplot as plt
<p>k = kernel_mean  # shape: (3, 3, 64)
for i in range(min(16, k.shape[2])):  # 最多画 16 个
plt.subplot(4, 4, i+1)
sns.heatmap(np.flipud(k[:, :, i]), cmap='RdBu_r', cbar=False, xticklabels=False, yticklabels=False, robust=True)
plt.tight_layout()
plt.show()</p>

保存热力图时容易被忽略的尺寸与 DPI 问题

直接 plt.savefig('kernels.png') 会导致小图糊成一团，尤其当卷积核只有 3×3 或 5×5 时，像素级细节完全丢失；而用默认 DPI（100）保存多子图布局，边框和空白区域又会挤压实际热力图区域。

必须调整：

用 plt.figure(figsize=(12, 12)) 显式控制总画布大小，子图数量多时至少设到 (len(kernels)**0.5 * 3) 级别
保存时加 dpi=300，否则打印或放大查看时全是马赛克
加 bbox_inches='tight' 防止热力图被裁剪，但注意它可能压缩子图间距；更稳的方式是先 plt.tight_layout(pad=0.5) 再保存
别用 .jpg 格式存——有损压缩会污染权重数值的视觉表达，一律用 .png 或 .pdf