[Pytorch]图像在卷积神经网络里都经历了什么？卷积神经网络特征图可视化(以yolov3为例)

---

前言

图像卷积神经网络(Convolution Neural Network ,CNN)是通过Kernel对图像Tensor进行卷积（废话 ）从而提取出高维向量，对图像进行分类，目标识别，语义分割。写网络的过程中，不由得好奇每个层中图像被提取出了什么特征，所以简单编写了一个以Yolov3为例的特征层可视化函数。

---

一、Yolov3

Yolov3是一个目标识别卷积神经网络，该网络均由Convolutional layer组成，一个Convolutional layer包括一个Conv2d层，一个BN层和一个LeakyReLU层组成。

1.Darknet53

Yolov3的主干网络被称为Darknet53，是在Darknet基础上的魔改网络，其结构为

其中两个Convolutional又组成了一个Residual块，一共有23个残差块。

这里根据输出Tensor的shape不同将网络特征层分为5个部分进行依次输出，对backbone的每层残差块进行特征层可视化。

二、特征图像可视化

1.可视化函数

对特征层的可视化实际上就是对卷积层输出结果的分层输出
只需要将每一个块的输出压缩batch维度后进行逐层转换为array并保存即可。

import os

import cv2
import numpy as np
import torch
import torch.nn as nn

def to_image(input_tensor, channel, layer_name):
    print("input_tensor_size===>",input_tensor.shape)
    img_out = input_tensor[:1,channel,:,:]
    img_out = img_out.squeeze()
    img_out = img_out.unsqueeze(dim = 0)
    print(img_out.shape)
    with torch.no_grad():
        img_out = np.array(img_out.permute(1,2,0