图像展示方法、装置、电子设备和存储介质制造方法及图纸

本申请公开了图像展示方法、装置、电子设备和存储介质，涉及计算机视觉、深度学习技术领域。具体实现方案为：获取神经网络模型，将多个目标图像输入神经网络模型，以获取神经网络模型中各目标网络层处理得到的中间图像，根据各中间图像所属的目标网络层，以及各中间图像，对排布后的多个中间图像进行展示。本申请中通过对神经网络模型训练过程中的各网络层的输出可视化，以整体预览及对比多个网络层的中间结果输出，便于对模型进行优化调整。

【技术实现步骤摘要】
图像展示方法、装置、电子设备和存储介质
本申请涉及人工智能
，具体涉及计算机视觉和深度学习
，尤其涉及图像展示方法、装置、电子设备和存储介质。
技术介绍
深度学习属于机器学习领域中的子方向，是一种含有多个隐藏层的多层感知器的结构。深度学习通过组合低层特征形成更加抽象的高层表示特征，无需进行特征工程，即可完成端到端的模型训练。当前深度学习已经在图像识别、语音识别、自然语言处理、计算生物、推荐系统等领域成效显著。但是，深度学习的“黑盒子”属性使得开发者们难以观察到训练过程中模型学习到的特征的情况，进而难以判断模型的效果以及进展，为后续模型调优大大增加了难度。
技术实现思路
本申请提供了一种用于实现深度学习中间训练过程可视化的图像展示方法、装置、电子设备和存储介质。根据本申请的一方面，提供了一种图像展示方法，该方法包含：获取神经网络模型；将多个目标图像输入所述神经网络模型，以获取所述神经网络模型中各目标网络层处理得到的中间图像；根据各所述中间图像所属的目标网络层，以及各所述中间图像对排布后的多个所述中间图像进行展示。根据本申请的另一方面，提供了一种图像展示装置，该装置，包括：第一获取模块，用于获取神经网络模型；第二获取模块，用于将多个目标图像输入所述神经网络模型，以获取所述神经网络模型中各目标网络层处理得到的中间图像；处理模块，用于根据各所述中间图像所属的目标网络层，以及各所述中间图像对应的目标图像，对多个所述中间图像进行排布；展示模块，用于对排布后的多个所述中间图像进行展示。根据本申请的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面所述的方法。根据本申请的另一方面，提供了一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，用于实现第一方面所述的方法。应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。附图说明附图用于更好地理解本方案，不构成对本申请的限定。其中：图1为本申请实施例所提供的一种图像展示方法的流程示意图；图2为本申请实施例提供的另一种图像展示方法的流程示意图；图3为本申请实施例提供的图像阵列的展示示意图；图4为本申请实施例提供的一种图像展示装置的结构示意图；图5为本申请实施例提供的示例电子设备500的示意性框图。具体实施方式以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。下面参考附图描述本申请实施例的图像展示方法、装置、电子设备和存储介质。图1为本申请实施例所提供的一种图像展示方法的流程示意图。如图1所示，该方法包括以下步骤：步骤101，获取神经网络模型。本实施例中的神经网络模型，是一种深度学习模型，由多层网络层组成，每一层的网络都会产生输出，其中，每一层的网络层可以为多个池化层，和/或多个卷积层。步骤102，将多个目标图像输入神经网络模型，以获取神经网络模型中各目标网络层处理得到的中间图像。其中，神经网络模型的各中间层学习得到的图像特征，可以用于还原得到对应的中间图像。作为一种实现方式，多个目标图像可以是从训练样本中随机确定的。作为另一种实现方式，响应于第二用户指令，其中，第二用户指令，指示了要选择的训练样本的目标数量，以从训练图像集合中选定符合目标数量的目标图像。例如，选定的目标图像为8个，10个，本实施例中不进行限定。通过对用户指令的响应，实现了支持自定义的样本数量选择，满足不同场景的需求。作为另一种实现方式，第二用户指令可以包含从训练样本中要确定的目标数量，还可以包含要确定目标图像，即指定特定的目标图像，实现了自定义的样本数量和特定样本的选择，提高了样本选择的灵活性。本实施例中，神经网络模型包含多个网络层，可以对多个网络层中全部网络层进行对应的中间图像的展示，也可以对多个网络层中的部分网络层进行对应的中间图像的展示。在一种场景查下，为了实现自定义的网络层的中间图像的展示，响应于第一用户指令，其中，第一用户指令指示了从神经网络模型中需要选择的多个网络层，以实现从神经网络模型的多个网络层中，确定目标网络层，实现了灵活展示各个网络层的中间结果，提高了展示的灵活性，满足了个性化需求。在神经网络模型训练过程中，观察每个网络层处理得到的中间图像，可以用于监控模型每个网络层从数据中学习到的信息质量情况。因为每层网络的效果综合起来便是模型整体的学习能力，因此直观的了解每一层网络的学习情况，便于判断模型的学习效果，同时可以快速查找到模型问题所在的层，以针对性的进行模型参数的调整。步骤103，根据各中间图像所属的目标网络层，以及各中间图像对应的目标图像，对多个中间图像进行排布。步骤104，对排布后的多个中间图像进行展示。本实施例中，针对输入的每一个目标图像，各个目标网络层均输出有对应的中间图像，通过对获取的不同的多个中间图像进行排布，并对排布后的多个中间图像进行展示，实现了同时对多个目标网络层的批量输出展示，以便于快速识别不同目标网络层输出的中间图像的差异，从而根据差异，可针对性地对不同的网络层的参数进行调整，以提高模型的训练效果。本实施例的图像展示方法中，获取神经网络模型，将多个目标图像输入神经网络模型，以获取神经网络模型中各目标网络层处理得到的中间图像，根据各中间图像所属的目标网络层，以及各中间图像，对排布后的多个中间图像进行展示。本申请中通过对神经网络模型训练过程中的各网络层的输出可视化，以整体预览及对比多个网络层的中间结果输出，便于对模型进行优化调整。基于上一实施例，本实施例提出了另一种图像展示方法，图2为本申请实施例提供的另一种图像展示方法的流程示意图，如图2所示，该方法包含以下步骤：步骤201，获取神经网络模型。步骤202，将多个目标图像输入神经网络模型，以获取神经网络模型中各目标网络层处理得到的中间图像。步骤201和步骤202，具体可参照上述实施例中的解释说明，此处不再赘述。步骤203，根据各中间图像所属的目标网络层，以及各中间图像对应的目标图像，将多个中间图像排布为图像阵列。作为本文档来自技高网...

【技术保护点】
1.一种图像展示方法，包括：/n获取神经网络模型；/n将多个目标图像输入所述神经网络模型，以获取所述神经网络模型中各目标网络层处理得到的中间图像；/n根据各所述中间图像所属的目标网络层，以及各所述中间图像对应的目标图像，对多个所述中间图像进行排布；/n对排布后的多个所述中间图像进行展示。/n

【技术特征摘要】
1.一种图像展示方法，包括：
获取神经网络模型；
将多个目标图像输入所述神经网络模型，以获取所述神经网络模型中各目标网络层处理得到的中间图像；
根据各所述中间图像所属的目标网络层，以及各所述中间图像对应的目标图像，对多个所述中间图像进行排布；
对排布后的多个所述中间图像进行展示。


2.根据权利要求1所述的图像展示方法，其中，所述根据各所述中间图像所属的目标网络层，以及各所述中间图像对应的目标图像，对多个所述中间图像进行排布，包括：
根据各所述中间图像所属的目标网络层，以及各所述中间图像对应的目标图像，将多个所述中间图像排布为图像阵列；
其中，所述图像阵列的各行分别具有对应的所述目标网络层，各列分别具有对应的所述目标图像。


3.根据权利要求2所述的图像展示方法，其中，
所述各行对应的所述目标网络层，是根据各所述目标网络层在所述神经网络模型中的位置确定的；
和/或，各列对应的所述目标图像，是根据各所述目标图像输入所述神经网络的顺序确定的。


4.根据权利要求1-3任一项所述的图像展示方法，其中，所述方法还包括：
响应于第一用户指令，从所述神经网络模型的多个网络层中，确定所述目标网络层。


5.根据权利要求1-3任一项所述的图像展示方法，其中，所述方法还包括：
响应于第二用户指令，确定目标数量；
从训练图像集合中选定符合所述目标数量的所述目标图像。


6.一种图像展示装置，所述装置，包括：
第一获取模块，用于获取神经网络模型；
第二获取模块，用于将多个目标图像输入所述神经网络模型，以获取所述神经网络模型中各目标网络层处理得到的中间图像；
处理模块，用于根据各所述中间图像所属的目标网络层，以及各所述中间图...

【专利技术属性】
技术研发人员：申玉涵，潘子豪，施依欣，吕雪莹，陈泽裕，赖宝华，吴泽武，赵乔，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11