pytorch 输出中间层特征的实例
pytorch输出中间层特征:
tensorflow输出中间特征,2种方式:
1.保存全部模型(包括结构)时,需要之前先add_to_collection或者用slim模块下的end_points
2.只保存模型参数时,可以读取网络结构,然后按照对应的中间层输出即可。
but:Pytorch论坛给出的答案并不好用,无论是hooks,还是重建网络并去掉某些层,这些方法都不好用(在我看来)。
我们可以在创建网络class时,在forward时加入一个dict或者list,dict是将中间层名字与中间层输出分别作为key:value,然后作为第二个值返回。前提是:运行创建自己的网络(无论fine-tune),只保存网络参数。
个人理解:虽然每次运行都返回2个值,但是运行效率基本没有变化。
附上代码例子:
importtorch importtorchvision importnumpyasnp fromtorchimportnn fromtorch.nnimportinit fromtorch.autogradimportVariable fromtorch.utilsimportdata EPOCH=20 BATCH_SIZE=64 LR=1e-2 train_data=torchvision.datasets.MNIST(root='./mnist',train=True, transform=torchvision.transforms.ToTensor(),download=False) train_loader=data.DataLoader(train_data,batch_size=BATCH_SIZE,shuffle=True) test_data=torchvision.datasets.MNIST(root='./mnist',train=False) test_x=Variable(torch.unsqueeze(test_data.test_data,dim=1).type(torch.FloatTensor)).cuda()/255 test_y=test_data.test_labels.cuda() classCNN(nn.Module): def__init__(self): super().__init__() self.conv1=nn.Sequential( nn.Conv2d(in_channels=1,out_channels=16,kernel_size=4,stride=1,padding=2), nn.ReLU(), nn.MaxPool2d(kernel_size=2,stride=2)) self.conv2=nn.Sequential(nn.Conv2d(16,32,4,1,2),nn.ReLU(),nn.MaxPool2d(2,2)) self.out=nn.Linear(32*7*7,10) defforward(self,x): per_out=[]############修改处############## x=self.conv1(x) per_out.append(x)#conv1 x=self.conv2(x) per_out.append(x)#conv2 x=x.view(x.size(0),-1) output=self.out(x) returnoutput,per_out cnn=CNN().cuda()#orcnn.cuda() optimizer=torch.optim.Adam(cnn.parameters(),lr=LR) loss_func=nn.CrossEntropyLoss().cuda()############################ forepochinrange(EPOCH): forstep,(x,y)inenumerate(train_loader): b_x=Variable(x).cuda()#ifchannel==1autoaddc=1 b_y=Variable(y).cuda() #print(b_x.data.shape) optimizer.zero_grad() output=cnn(b_x)[0]##原先只需要cnn(b_x)但是现在需要用到第一个返回值## loss=loss_func(output,b_y)#Variableneedtoget.data loss.backward() optimizer.step() ifstep%50==0: test_output=cnn(test_x)[0] pred_y=torch.max(test_output,1)[1].cuda().data.squeeze() ''' whydata,becauseVariable.datatoTensor;andcuda()nottonumpy(),musttocpuandtonumpy and.floatcomputedecimal ''' accuracy=torch.sum(pred_y==test_y).data.float()/test_y.size(0) print('EPOCH:',epoch,'|train_loss:%.4f'%loss.data[0],'|testaccuracy:%.2f'%accuracy) #loss.data.cpu().numpy().item()getonevalue torch.save(cnn.state_dict(),'./model/model.pth') ##输出中间层特征,根据索引调用## conv1:conv1=cnn(b_x)[1][0] conv2:conv2=cnn(b_x)[1][1]
##########################
res=torchvision.models.resnet18() defget_features_hook(self,input,output):#self代表类模块本身 print(output.data.cpu().numpy().shape) handle=res.layer2.register_forward_hook(get_features_hook) a=torch.ones([1,3,224,224])
b=res(a)直接打印出layer2的输出形状,但是不好用。因为,实际中,我们需要return,而hook明确指出不可以return只能print。
所以,不建议使用hook。
以上这篇pytorch输出中间层特征的实例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。