('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)]