之前做的一些项目中涉及到功能映射可视化的问题,一个层中特征映射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地图的功能,个人感觉可视化特征地图对调参还是很有用的。
<强>不多说了,直接看代码:
进口火炬
从火炬。autograd导入变量
进口火炬。神经网络是神经网络
进口泡菜
从系统导入路径
路径。追加(“/剩余模型路径”)
进口residual_model
从residual_model进口residual_model
模型=Residual_Model ()
model.load_state_dict (torch.load (’。/model.pkl '))
类myNet (nn.Module):
def __init__(自我、pretrained_model层):
超级(myNet自我). __init__ ()
self.net1=nn.Sequential(*列表(pretrained_model.children())[:层[0]])
self.net2=nn.Sequential(*列表(pretrained_model.children())[:层[1]])
self.net3=nn.Sequential(*列表(pretrained_model.children())[:层[2]])
def向前(自我,x):
着干活=self.net1 (x)
out2=self.net(着干活)
out3=self.net (out2)
返回着干活,out2 out3
def get_features (pretrained_model x层=[3、4、9]):# # get_features其实很简单
“‘
1.首先导入模型
2.将重量负荷进模型
3.熟悉模型的每一层的位置,提前知道要输出特征映射的网络层是处于网络的那一层
4 .直接将test_x输入网络,*列表(model.chidren())是用来提取网络的每一层的结构的.net1=nn.Sequential(*列表(pretrained_model.children())[:层[0]]),就是第三层前的所有层。
“‘
net1=nn.Sequential(*列表(pretrained_model.children())[:层[0]])
#打印net1
着干活=net1 (x)
net2=nn.Sequential(*列表(pretrained_model.children())(层[0]:层[1]])
#打印net2
out2=net2(着干活)
# net3=nn.Sequential(*列表(pretrained_model.children())(层[1]:层[2]])
# out3=net3 (out2)
返回着干活,out2
张开(‘test.pickle’,‘rb) f:
data=https://www.yisu.com/zixun/pickle.load (f)
数据[x=' test_main '] [0]
x=变量(torch.from_numpy (x)) .view (1128 1) # # test_x必须为Varibable
# x=变量(torch.randn (1128 1))
如果torch.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,网络的参数重量都是用cuda加速的,不然会报的错
模型=model.cuda ()
output1 output2=get_features(模型中,x) # #模型是训练好的模型,前面已经导入进来了剩余模型
打印(output1.shape:, output1.shape)
打印(output2.shape:, output2.shape)
#打印(output3.shape:, output3.shape)
output_1=火炬。挤压(output2昏暗=0)
.numpy output_1_arr=output_1.data.cpu()() #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]])
之前
以上这篇pytorch可视化特征映射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。
