接触pytorch一天,发现pytorch上手的确比TensorFlow更快。可以更方便地实现用预训练的网络提特征。
以下是提取一张jpg图像的特征的程序:
# - * -编码:utf - 8 - *
进口os.path
进口火炬
进口火炬。神经网络是神经网络
从torchvision导入模型,变换
从火炬。autograd导入变量
进口numpy np
从公益诉讼导入图像
features_dir='。/特性的
img_path=" hymenoptera_data/火车/蚂蚁/0013035. jpg”
file_name=img_path.split (“/? [1]
feature_path=os.path。加入(features_dir file_name + ' . txt ')
transform1=transforms.Compose ([
transforms.Scale (256),
transforms.CenterCrop (224),
transforms.ToTensor ())
）
img=Image.open (img_path)
img1=transform1 (img)
# resnet18=模型。resnet18 (pretrained=True)
resnet50_feature_extractor=模型。resnet50 (pretrained=True)
resnet50_feature_extractor。fc=nn。线性(2048、2048)
torch.nn.init.eye (resnet50_feature_extractor.fc.weight)
在resnet50_feature_extractor.parameters参数():
参数。requires_grad=False
# resnet152=模型。resnet152 (pretrained=True)
# densenet201=models.densenet201 (pretrained=True)
x=变量(火炬。unsqueeze (img1昏暗=0).float (), requires_grad=False)
#日元=resnet18 (x)
y=resnet50_feature_extractor (x)
y=y.data.numpy ()
np。savetxt (feature_path, y,分隔符=" ")
# y3=resnet152 (x)
# y4=densenet201 (x)
y_=np。loadtxt (feature_path分隔符=" ")。重塑(2048)
以下是提取一个文件夹下所有jpg, jpeg图像的程序:
# - * -编码:utf - 8 - *
进口操作系统、火炬、水珠
进口numpy np
从火炬。autograd导入变量
从公益诉讼导入图像
从torchvision导入模型,变换
进口火炬。神经网络是神经网络
进口shutil
data_dir='/hymenoptera_data’。
features_dir='。/特性的
shutil。copytree (data_dir os.path。加入(features_dir data_dir [2]))
净,def器(img_path saved_path use_gpu):
变换=transforms.Compose ([
transforms.Scale (256),
transforms.CenterCrop (224),
transforms.ToTensor ())
）
img=Image.open (img_path)
img=变换(img)
x=变量(火炬。unsqueeze (img,昏暗的=0).float (), requires_grad=False)
如果use_gpu:
x=x.cuda ()
网=net.cuda ()
y=净(x) .cpu ()
y=y.data.numpy ()
np。savetxt (saved_path, y,分隔符=" ")
if __name__==癬_main__”:
扩展=(jpg, jpeg, jpg, jpeg的)
files_list=[]
sub_dirs=[x [0] x os.walk (data_dir)]
sub_dirs=sub_dirs [1:]
在sub_dirs sub_dir:
在扩展延伸:
file_glob=os.path。加入(sub_dir”*。' +延伸)
files_list.extend (glob.glob (file_glob))
resnet50_feature_extractor=模型。resnet50 (pretrained=True)
resnet50_feature_extractor。fc=nn。线性(2048、2048)
torch.nn.init.eye (resnet50_feature_extractor.fc.weight)
在resnet50_feature_extractor.parameters参数():
参数。requires_grad=False
use_gpu=torch.cuda.is_available ()
在files_list x_path:
打印(x_path)
fx_path=os.path。加入(features_dir x_path [2] + ' . txt ')
器(x_path fx_path、resnet50_feature_extractor use_gpu)
另外最近发现一个很简单的提取不含FC层的网络的方法:
resnet=models.resnet152 (pretrained=True)
模块=列表(resnet.children())(: 1) #删除最后一个fc层。
之前事先=nn.Sequential(*模块)
另一种更简单的方法:
resnet=models.resnet152 (pretrained=True)
德尔resnet.fc
以上这篇pytorch实现用Resnet提取特征并保存为txt文件的方法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。
