基于pytorch使用特征图输出进行特征图可视化

使用特征图输出进行特征图可视化

文章目录 前言效果展示获取某一层特征图输出原图方法一：使用IntermediateLayerGetter类方法二：使用hook机制（推荐） 总结

---

前言

提示：这里可以添加本文要记录的大概内容：

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了基于pytorch使用特征图输出进行特征图可视化的方法

特征图输出就是某个图像（序列）经过该层时的输出

---

以下是本篇文章正文内容

效果展示

获取某一层特征图输出 原图

方法一：使用IntermediateLayerGetter类 # 返回输出结果 import random import cv2 import torchvision import torch from matplotlib import pyplot as plt import numpy as np from torchvision import transforms from torchvision import models # 定义函数，随机从0-end的一个序列中抽取size个不同的数 def random_num(size, end): range_ls = [i for i in range(end)] num_ls = [] for i in range(size): num = random.choice(range_ls) range_ls.remove(num) num_ls.append(num) return num_ls path = "img_1.png" transformss = transforms.Compose( [transforms.ToTensor(), transforms.Resize((224, 224)), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]) # 注意如果有中文路径需要先解码，最好不要用中文 img = cv2.imread(path) img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 转换维度 img = transformss(img).unsqueeze(0) model = models.resnet50(pretrained=True) new_model = torchvision.models._utils.IntermediateLayerGetter(model, {'layer1': '1', 'layer2': '2', "layer3": "3"}) out = new_model(img) tensor_ls = [(k, v) for k, v in out.items()] # 这里选取layer2的输出画特征图 v = tensor_ls[1][1] # 选择目标卷积层 target_layer = model.layer2[2] """ 如果要选layer3的输出特征图只需把第一个索引值改为2，即： v=tensor_ls[2][1] 只需把第一个索引更换为需要输出的特征层对应的位置索引即可 """ # 取消Tensor的梯度并转成三维tensor，否则无法绘图 v = v.data.squeeze(0) print(v.shape) # torch.Size([512, 28, 28]) # 随机选取25个通道的特征图 channel_num = random_num(25, v.shape[0]) plt.figure(figsize=(10, 10)) for index, channel in enumerate(channel_num): ax = plt.subplot(5, 5, index + 1, ) plt.imshow(v[channel, :, :]) plt.savefig("./img/feature.jpg", dpi=300)

输出的结果如下：

方法二：使用hook机制（推荐）

如下代码所示:

# 返回输出结果 import random import cv2 import torchvision import torch from matplotlib import pyplot as plt import numpy as np from torchvision import transforms from torchvision import models # 定义函数，随机从0-end的一个序列中抽取size个不同的数 def random_num(size, end): range_ls = [i for i in range(end)] num_ls = [] for i in range(size): num = random.choice(range_ls) range_ls.remove(num) num_ls.append(num) return num_ls path = "img_1.png" transformss = transforms.Compose( [transforms.ToTensor(), transforms.Resize((224, 224)), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]) # 注意如果有中文路径需要先解码，最好不要用中文 img = cv2.imread(path) img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 转换维度 img = transformss(img).unsqueeze(0) model = models.resnet50(pretrained=True) # 选择目标层 target_layer = model.layer2[2] # 注册钩子函数，用于获取目标卷积层的输出 outputs = [] def hook(module, input, output): outputs.append(output) hook_handle = target_layer.register_forward_hook(hook) _ = model(img) v = outputs[-1] """ 如果要选layer3的输出特征图只需把第一个索引值改为2，即： v=tensor_ls[2][1] 只需把第一个索引更换为需要输出的特征层对应的位置索引即可 """ # 取消Tensor的梯度并转成三维tensor，否则无法绘图 v = v.data.squeeze(0) print(v.shape) # torch.Size([512, 28, 28]) # 随机选取25个通道的特征图 channel_num = random_num(25, v.shape[0]) plt.figure(figsize=(10, 10)) for index, channel in enumerate(channel_num): ax = plt.subplot(5, 5, index + 1, ) plt.imshow(v[channel, :, :]) plt.savefig("./img/feature2.jpg", dpi=300) 总结

以上就是今天要讲的内容