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。