pytorch 可视化feature map的示例代码
之前做的一些项目中涉及到featuremap可视化的问题,一个层中featuremap的数量往往就是当前层out_channels的值,我们可以通过以下代码可视化自己网络中某层的featuremap,个人感觉可视化featuremap对调参还是很有用的。
不多说了,直接看代码:
importtorch fromtorch.autogradimportVariable importtorch.nnasnn importpickle fromsysimportpath path.append('/residualmodelpath') importresidual_model fromresidual_modelimportResidual_Model model=Residual_Model() model.load_state_dict(torch.load('./model.pkl')) classmyNet(nn.Module): def__init__(self,pretrained_model,layers): super(myNet,self).__init__() self.net1=nn.Sequential(*list(pretrained_model.children())[:layers[0]]) self.net2=nn.Sequential(*list(pretrained_model.children())[:layers[1]]) self.net3=nn.Sequential(*list(pretrained_model.children())[:layers[2]]) defforward(self,x): out1=self.net1(x) out2=self.net(out1) out3=self.net(out2) returnout1,out2,out3 defget_features(pretrained_model,x,layers=[3,4,9]):##get_features其实很简单 ''' 1.首先importmodel 2.将weightsload进model 3.熟悉model的每一层的位置,提前知道要输出featuremap的网络层是处于网络的那一层 4.直接将test_x输入网络,*list(model.chidren())是用来提取网络的每一层的结构的。net1=nn.Sequential(*list(pretrained_model.children())[:layers[0]]),就是第三层前的所有层。 ''' net1=nn.Sequential(*list(pretrained_model.children())[:layers[0]]) #printnet1 out1=net1(x) net2=nn.Sequential(*list(pretrained_model.children())[layers[0]:layers[1]]) #printnet2 out2=net2(out1) #net3=nn.Sequential(*list(pretrained_model.children())[layers[1]:layers[2]]) #out3=net3(out2) returnout1,out2 withopen('test.pickle','rb')asf: data=pickle.load(f) x=data['test_mains'][0] x=Variable(torch.from_numpy(x)).view(1,1,128,1)##test_x必须为Varibable #x=Variable(torch.randn(1,1,128,1)) iftorch.cuda.is_available(): x=x.cuda()#如果模型的训练是用cuda加速的话,输入的变量也必须是cuda加速的,两个必须是对应的,网络的参数weight都是用cuda加速的,不然会报错 model=model.cuda() output1,output2=get_features(model,x)##model是训练好的model,前面已经import进来了Residualmodel print('output1.shape:',output1.shape) print('output2.shape:',output2.shape) #print('output3.shape:',output3.shape) output_1=torch.squeeze(output2,dim=0) output_1_arr=output_1.data.cpu().numpy()#得到的cuda加速的输出不能直接转变成numpy格式的,当时根据报错的信息首先将变量转换为cpu的,然后转换为numpy的格式 output_1_arr=output_1_arr.reshape([output_1_arr.shape[0],output_1_arr.shape[1]])
以上这篇pytorch可视化featuremap的示例代码就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持毛票票。