我需要在卷积神经网络(CNN)中找到关于单个卷积滤波器的输入层的梯度,作为visualize the filters的一种方法 .
给定Caffe的Python接口中训练有素的网络,例如this example中的网络,如何根据输入层中的数据找到转换滤波器的梯度?
Edit:
基于answer by cesans,我添加了以下代码 . 我的输入图层的尺寸是 [8, 8, 7, 96]
. 我的第一个转换层 conv1
有11个过滤器,大小为 1x5
,因此维度为 [8, 11, 7, 92]
.
net = solver.net
diffs = net.backward(diffs=['data', 'conv1'])
print diffs.keys() # >> ['conv1', 'data']
print diffs['data'].shape # >> (8, 8, 7, 96)
print diffs['conv1'].shape # >> (8, 11, 7, 92)
从输出中可以看出, net.backward()
返回的数组的尺寸等于Caffe中我的图层的尺寸 . 经过一些测试后,我发现这个输出分别是 data
层和 conv1
层的损失梯度 .
但是,我的问题是如何根据输入层中的数据找到单个转换滤波器的梯度,这是另外的 . 我怎样才能做到这一点?
2 回答
Caffe net玩弄了两个"streams"的数字 .
第一个是数据"stream":通过网络推送的图像和标签 . 当这些输入通过网络进行时,它们被转换为高级表示并最终转换为类概率向量(在分类任务中) .
第二个"stream"保存不同层的参数,卷积的权重,偏差等 . 这些数字/权重在网络的训练阶段期间被改变和学习 .
尽管这两个角色发挥着根本不同的作用,但是caffe仍然使用相同的数据结构来存储和管理它们 .
但是,对于每个层,每个流有两个 different blob向量 .
这是一个我希望澄清的例子:
如果你现在看看
您将看到一个字典,为网络中的每个图层存储“caffe blob”对象 . 每个blob都有数据和渐变的存储空间
对于卷积层:
net.blobs
保存第一个数据流,它的形状与输入图像的形状匹配,直到得到的类概率向量 .另一方面,你可以看到
net
的另一个成员这是一个存储不同层参数的caffe矢量 .
看第一层(
'data'
层):没有用于存储输入图层的参数 .
另一方面,对于第一卷积层
网络存储一个blob用于滤波器权重,另一个用于恒定偏置 . 他们来了
如您所见,该层在3通道输入图像上执行7x7卷积,并具有64个这样的滤波器 .
现在,如何获得渐变?好吧,正如你所说的那样
返回数据流的渐变 . 我们可以通过验证
( TL;DR )您想要参数的渐变,这些参数存储在
net.layers
中,带有参数:为了帮助您将图层名称及其索引映射到
net.layers
向量,可以使用net._layer_names
.Update 关于使用渐变来显示过滤器响应:
通常为 scalar 函数定义渐变 . 损耗是标量,因此您可以说像素/滤波器权重相对于标量损失的梯度 . 该梯度是每个像素/滤波器权重的单个数字 .
如果您希望得到最大程度激活 specific 内部隐藏节点的结果,则需要一个"auxiliary" net,该损失只是对要显示的特定隐藏节点的激活的度量 . 一旦有了这个辅助网络,就可以从任意输入开始,根据输入层的辅助损耗梯度更改此输入:
运行
backward()
传递时,可以根据任何图层获取渐变 . 只需在调用函数时指定图层列表即可 . 要根据数据层显示渐变:在某些情况下,您可能希望强制所有图层向后执行,请查看模型的
force_backward
参数 .https://github.com/BVLC/caffe/blob/master/src/caffe/proto/caffe.proto