Question

我尝试为ImageNet提供可靠的功能，以便对它们进行进一步的分类。为了达到这个目的，我想使用与Alexnet的tensorflow进行特征提取。这意味着我想从CNN的最后一层获取值。有人可以编写一段Python代码来解释它是如何工作的吗？

Answer 1

正如jonrsharpe所提到的，那不是真正的stackoverflow的MO，但在实践中，很多人确实选择编写代码来帮助解释答案（因为它通常更容易）。因此，我将假设这只是错误传达，您真的打算提出以下两个问题之一：

如何在TensorFlow中获取Alexnet最后一层的值？
如何从像alexnet这样的深度卷积网络的最后一层进行特征提取工作？

第一个问题的答案实际上非常简单。我将使用TensorFlow中的cifar10示例代码（松散地基于AlexNet）作为示例。网络的正向传递建立在inference函数中，该函数返回表示softmax图层输出的变量。要实际获取预测的图像标签，您只需对logits进行argmax，如下所示:(我已经省略了一些设置代码，但如果您已经运行了alexnet，那么您已经有了这个功能）

logits = cifar10.inference(images)
predictions = tf.argmax(logits,1)
# Actually run the computation
labels = session.run([predictions])

因此，抓住最后一层功能实际上就像要求它们一样简单。唯一的问题是，在这种情况下，cifar10本身没有暴露它们，所以你需要修改cifar10.inference函数来返回两者：

# old code in cifar10.inference:
# return softmax_linear
# new code in cifar10.inference:
return softmax_linear, local4

然后修改所有对cifar10.inference的调用，就像我们刚刚显示的那样：

logits,local4 = cifar10.inference(images)
predictions = tf.argmax(logits,1)
# Actually run the computation, this time asking for both answers
labels,last_layer = session.run([predictions, local4])

就是这样。 last_layer包含您为模型提供的所有输入的最后一层。

关于第二个问题，这是一个更深层次的问题，但我猜这就是为什么你想要解决这个问题。我建议首先阅读该领域发表的一些论文。我不是这里的专家，但我确实喜欢Bolei Zhou的工作。例如，尝试查看"Learning Deep Features for Discriminative Localization"中的图2。它是一篇本地化论文，但它使用了非常相似的技术（Bolei的一些论文使用它）。

Alex-Net用于特征提取

1 个答案: