Ось чому не можна використати
FC
з активатором "ReLU" для цієї задачі:
layers.Dense(3, activation="relu", name="gray_rgb", input_shape=(32,32,1))
|
FC, relu
|
Найкраще зробити підготовку dataset:
tx = np.repeat(x, 3, axis=-1)
або
tx = np.tile(x, (1, 1, 3))
Або шар
Lambda
(але я питання по збереження моделі до файлу):
layers.Lambda(lambda x: tf.repeat(x, 3, axis=-1))
|
Grey to RGB
|
rows = 4
plt.figure(figsize=(10,3*rows))
cols = rgb_images_train.shape[-1]
total = cols * rows
labels = ["R","G","B"]
for i in range(total):
plt.subplot(rows,cols,i+1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
id = i % cols
rid = i // cols
plt.imshow(rgb_images_train[0+rid,:,:,id], cmap=plt.cm.binary)
plt.ylabel(f"Image {rid}, label: {np.argmax(y_train[rid])}")
plt.xlabel(f"chanel {id} : '{labels[id]}'")
plt.show()
Або вже шар
Conv2D:
layers.Conv2D(3, (1, 1), use_bias=False, padding="same", kernel_initializer="ones", name="conv2d_108", input_shape=(32,32,1))
|
Conv2D 1х1
|
activation_model = Model(inputs=model.input,
outputs=[layer.output for layer in model.layers])
activations = activation_model.predict(x_test[0].reshape(1, 32, 32, 1))
for layer_index, layer_activation in enumerate(activations):
print(f"{layer_index=}, {layer_activation.shape=}")
if len(layer_activation.shape) == 4:
num_features = layer_activation.shape[-1]
size = layer_activation.shape[1]
rows = num_features // 1
cols = layer_activation.shape[-1]
plt.figure(figsize=(16, 12))
for i in range(num_features):
plt.subplot(rows, cols, i + 1)
img = layer_activation[0, :, :, i]
plt.imshow(img, cmap='viridis')
plt.axis('off')
print("min:", np.min(img), "max",np.max(img))
plt.tight_layout()
plt.subplots_adjust(top=0.94)
plt.suptitle(f'Layer {activation_model.layers[layer_index+1].name} Feature Maps')
plt.show()
