图像展示方法、装置、电子设备和存储介质与流程

本申请涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，尤其涉及图像展示方法、装置、电子设备和存储介质。

背景技术：

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。

技术实现要素：

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。

作为一种实现方式，各行对应的目标网络层，是根据各目标网络层在神经网络模型中的位置确定的，也就是说本实施例中，可以对神经网络模型中特定的目标网络层进行展示，例如，确定的需要进行中间图像输出的是神经网络模型中的第1层、第3层、第4层、第7层等，在进行展示时可以依照该编号顺序排列，以准确定位各目标网络层在神经网络模型中的位置；和/或，各列对应的目标图像，是根据各目标图像输入神经网络的顺序确定的，例如，输出神经网络的目标图像编号为1、2和3，则第一列对应的是编号为1的目标图像、第二列对应的是编号为2的目标图像、第三列对应的是编号为3的目标图像，以准确标识各列展示的目标图像。

本实施例中，由于输入了多个目标图像，而多个目标网络层的每一层均输出对应的中间图像，从而，为了提高展示的效果，采用图像阵列的方式对获取的多个中间图像进行排布，其中，图像阵列的各行分别具有对应的目标网络层，各列分别具有对应的目标图像，使得图像阵列中每一个目标图像在每一个目标网络层中均具有对应的输出，以全部、直观的比较不同的网络层的输出。

为了便于说明，本实施例中以确定的目标网络层的数量为7层，输入的目标图像为10个为例，对图像阵列的展示进行说明。

如图3所示，横轴指示了每一个目标网络层针对不同的目标图像对应输出的不同的中间图像。纵轴指示了不用的网络层，针对每一个目标图像，分别输出的不同的中间图像。例如，a轴即为7个目标网络层，针对目标图像1，每一层分别输出的不同的中间图像，从图3中可以看出，每一层的目标网络层输出的中间图像均不同，也就是说每一个目标网络层所提取到的图像特征是不同的，从而将不同网络层的输出进行可视化，可以直观的比对不同网络层的输出图像的特征情况，以便于快速定位到需要进行调整的目标网络层，进而针对相应的目标网络层进行调整。作为一种实现方式，不同的神经网络模型中，不同的目标网络层对于输出的最终图像的贡献不同，也就是说可以设置不同的目标网络层的权重，进而，根据各网络层输出的结果，优先调整权重较大的目标网络层的参数，以提高模型训练的效率。

步骤204，对排布后的多个中间图像进行展示。

本实施例中，支持同时展示多个目标网络层的批量输出展示，进而深入了解模型每层网络的特征学习情况，以辅助后续的网络结构设计优化，提高模型训练的效果和质量。

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图像阵列的展示，展示效果更加直观。同时，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。

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。

如图4所示，该装置包括：

第一获取模块41，用于获取神经网络模型。

第二获取模块42，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43，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44，用于对排布后的多个所述中间图像进行展示。

进一步，在本申请实施例的一种可能的实现方式中，上述处理模块43，具体用于：

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，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。

在本申请实施例的一种可能的实现方式中，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。

在本申请实施例的一种可能的实现方式中，所述装置还包括：

确定模块，用于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。

在本申请实施例的一种可能的实现方式中，上述确定模块，还用于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。

需要说明的是，前述方法实施例中的图像展示方法实施例的解释说明，也适用于本实施例中的图像展示装置，原理相同，本实施例中不再赘述。

本实施例的图像展示装置中，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图像阵列的展示，展示效果更加直观。同时，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。

为了实现上述实施例，本申请实施例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前述方法实施例所述的方法。

为了实现上述实施例，本申请实施例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前述方法实施例所述的方法。

为了实现上述实施例，本申请实施例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，用于实现前述方法实施例所述的方法。

根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图5示出了可以用来实施本申请的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在rom(read－onlymemory，只读存储器)502中的计算机程序或者从存储单元505加载到ram(randomaccessmemory，随机访问/存取存储器)503中的计算机程序，来执行各种适当的动作和处理。在ram503中，还可存储设备500操作所需的各种程序和数据。计算单元501、rom502以及ram503通过总线504彼此相连。i/o(input/output，输入/输出)接口505也连接至总线504。

设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元505，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于cpu(centralprocessingunit，中央处理单元)、gpu(graphicprocessingunits，图形处理单元)、各种专用的ai(artificialintelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、dsp(digitalsignalprocessor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如方法图像展示方法。例如，在一些实施例中，方法图像展示方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元505。在一些实施例中，计算机程序的部分或者全部可以经由rom502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到ram503并由计算单元501执行时，可以执行上文描述的方法图像展示方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法图像展示方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、fpga(fieldprogrammablegatearray，现场可编程门阵列)、asic(application－specificintegratedcircuit，专用集成电路)、assp(applicationspecificstandardproduct，专用标准产品)、soc(systemonchip，芯片上系统的系统)、cpld(complexprogrammablelogicdevice，复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、ram、rom、eprom(electricallyprogrammableread－only－memory，可擦除可编程只读存储器)或快闪存储器、光纤、cd－rom(compactdiscread－onlymemory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(cathode－raytube，阴极射线管)或者lcd(liquidcrystaldisplay，液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：lan(localareanetwork，局域网)、wan(wideareanetwork，广域网)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端－服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务(＂virtualprivateserver＂，或简称＂vps＂)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。