用自己网络添加注意力机制后画出热力图_注意力机制热力图

            ('fc5', nn.Sequential(nn.Dropout(0.5),
                              nn.Linear(500, 512),
                              nn.ReLU(inplace=True)))
    ]))

def forward(self, x):
    avg_result = self.avgpool(x)
    output = self.layers(x)
    return output

if name == ‘__main__’:
net = MDNet()

其次将该模型保存下来，即在代码中添加：

def save_model(model):
torch.save(obj=model, f=‘B.pth’)

具体代码如下：

from PIL import Image
import torchvision
import cv2
import numpy as np
from collections import OrderedDict
import torch
import torch.nn as nn

class MDNet(nn.Module):
def __init__(self, model_path=None, K=1):
super(MDNet, self).init()
self.avgpool=nn.AdaptiveAvgPool2d(1)
self.layers=nn.Sequential(OrderedDict([
(‘conv1’, nn.Sequential(nn.Conv2d(3, 96, kernel_size=7, stride=2),
nn.ReLU(inplace=True),
nn.LocalResponseNorm(2),
nn.MaxPool2d(kernel_size=3, stride=2))),
(‘conv2’, nn.Sequential(nn.Conv2d(96, 256, kernel_size=5, stride=2),
nn.ReLU(inplace=True),
nn.LocalResponseNorm(2),
nn.MaxPool2d(kernel_size=3, stride=2))),
(‘features’, nn.Sequential(nn.Conv2d(3, 512, kernel_size=3, stride=1),
nn.ReLU(inplace=True))),
(‘fc4’, nn.Sequential(nn.Linear(500, 512),
nn.ReLU(inplace=True))),
(‘fc5’, nn.Sequential(nn.Dropout(0.5),
nn.Linear(500, 512),
nn.ReLU(inplace=True)))
]))

def forward(self, x):
    avg_result = self.avgpool(x)
    output = self.layers(x)
    return output

def save_model(model):
torch.save(obj=model, f=‘B.pth’)

if name == ‘__main__’:
net = MDNet()
save_model(net)
# model = torch.load(f=“A.pth”)

运行Python后可以看见生成了一个B.pth文件  
 ![在这里插入图片描述](https://img-blog.csdnimg.cn/4e37d71bf4d74a11985e0c7bf4dd87e5.png)


## 2.使用热红外图生成图片：

#图片路径
img_path = r’C:/Users/HP/Desktop/w/1.jpg’

#给图片进行标准化操作
img = Image.open(img_path).convert(‘RGB’)
transforms = torchvision.transforms.Compose([
torchvision.transforms.ToTensor(),
torchvision.transforms.Normalize([0.5, ], [0.5, ])])
data = transforms(img).unsqueeze(0)

#用于加载Pycharm中封装好的网络框架

model = torchvision.models.vgg11_bn(pretrained=True)

#用于加载1中生成的.pth文件
model = torch.load(f=“B.pth”)
#打印一下刚刚生成的.pth文件看看他的网络结构
print(model)
model.eval()

#读取他fc4层图片特征
features = net.layers.Conv1(data)
features.retain_grad()

t = model.avgpool(features)

t = t.reshape(1, -1)

output = model.classifier(t)[0]

pred = torch.argmax(output).item()

pred_class = output[pred]

pred_class.backward()

grads = features.grad

features = features[0]

avg_grads = torch.mean(grads[0], dim=(1, 2))

avg_grads = avg_grads.expand(features.shape[1], features.shape[2], features.shape[0]).permute(2, 0, 1)

features *= avg_grads

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Linux运维工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Linux运维全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Linux运维知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加VX：vip1024b （备注Linux运维获取）

每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新**

如果你觉得这些内容对你有帮助，可以添加VX：vip1024b （备注Linux运维获取）
[外链图片转存中…(img-othRYniC-1712638705044)]