Pytorch获取VGG中间层的输出结果

最新推荐文章于 2022-11-21 17:39:17 发布
最新推荐文章于 2022-11-21 17:39:17 发布
阅读量3k 收藏 15
点赞数 2
分类专栏： 神经网络 文章标签： pytorch 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/free1993/article/details/108880686
版权
获取VGG中间层的输出结果VGG结构VGG的结构根据其网络层数的深度，分为四种，分别为11，13，16，19.这四种对应的网络结构的配置的声明见下。defaultcfg = { 11 : [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512], 13 : [64, 64, 'M', 128, 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512], 16 : [64,
摘要由CSDN通过智能技术生成

获取VGG中间层的输出结果

VGG结构

VGG的结构根据其网络层数的深度，分为四种，分别为11，13，16，19.这四种对应的网络结构的配置的声明见下。


defaultcfg = {
   
    11 : [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512],
    13 : [64, 64, 'M', 128, 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512],
    16 : [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, 'M', 512, 512, 512],
    19 : [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 256, 'M', 512, 512, 512, 512, 'M', 512, 512, 512, 512],
}

其具体的结构见下图。配置里面主要储存本层的对应的in_channels.
在这里插入图片描述

代码

因为VGG网络可以训练很多数据集，一般数据集的label的种类是不同的，这个时候我们需要做的就是改变最后一层的fc的weight的输出维度。也就是通过这句来声明最后的输出结果。其中num_classes代表的是这个数据集对应的label的种类数。

self.classifier = nn.Linear(cfg[-1], num_classes)

总体的代码思路是，先配置4种VGG对应的结构信息，然后通过make_layers进行构建网络。代码如下。

import math
import torch
import torch.nn as nn
from torch.autograd import Variable
__all__ = ['vgg']
defaultcfg = {
   
    11 : [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512],
    13 : [64, 64, 'M', 128, 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512],
    16 : [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, 'M', 512, 512, 512],
    19 : [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 256
最低0.47元/天 解锁文章
free1993
关注
  • 2
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
Vgg16提取特征并可视化
q1030460485的博客
04-20 2915
目录： 导入基础库 构建多特征层输出模型 中间层显示 导入基础库 导入基础包 import numpy as np import matplotlib.pyplot as plt import tensorflow as tf 导入vgg16网络层 VGG16_model = tf.keras.applications.VGG16(include_top=True) VGG16_model.summary() 读取本地病害图像（这里我是用苹果叶片病害图像） def prepo
breast_classification_VGG实验结果
jinzi_a的博客
09-23 192
breast_classification_VGG实验结果 实验一： batch_size = 32 epochs = 20 训练结果：loss: 0.2997 - acc: 0.8584 - val_loss: 0.4776 - val_acc: 0.7969 验证结果： the model accuracy is 0.625 ±----------±----------±-------±------------+ | | Precision | Recall | Specif
pytorch获取vgg16-feature层输出的例子
12-26
实际应用时可能比较想获取VGG中间层的输出， 那么就可以如下操作： import numpy as np import torch from torchvision import models from torch.autograd import Variable import torchvision.transforms as transforms class CNNShow(): def __init__(self, model): self.model = model self.model.eval() self.created_image = self.i
pytorch 实现SSD详细理解 （一）vgg和特征图的提取
cp1314971的博客
04-05 4383
摘要 本章就开始进入SSD的学习，通过学习这些基础的目标检测算法更好的对比理解其它算法，多看几种代码的写法更容易找到适合自己书写的套路。 ssd网络的6个特征图 ssd采用的是vgg16的特征提取，在vgg16中提取二个特征图，之后又通过额外的增加卷积操作再次提取四个特征图，一种6个特征图。如下图 仔细看这里的特征图，第一个输出是（512，38，38）的特征图，这个是在vgg16中的第22层的输...
Pytorch抽取网络层的Feature Map(Vgg)实例
09-18
今天小编就为大家分享一篇Pytorch抽取网络层的Feature Map(Vgg)实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Pytorch提取预训练模型特定中间层的输出
m0_58256026的博客
11-21 1万+
本博客整理了各种提取预训练模型中间层输出的方法，指出了不同方法的优缺点，方便大家根据自己的需要进行选择。希望帮助大家节省资料查阅的时间，顺利实现自己的任务目标。
使用pytorch实现可视化中间层的结果
09-18
在本文中，我们将探讨如何使用PyTorch框架来可视化神经网络模型，特别是VGG16模型的中间层结果。PyTorch是一个强大的深度学习库，它提供了灵活性和易用性，使得研究人员和开发者能够轻松地构建和理解复杂的神经网络...
pytorch 获取层权重,对特定层注入hook, 提取中间层输出的方法
09-18
在PyTorch中，理解和操作模型的权重以及提取中间层的输出对于深度学习模型的调试、分析和可视化至关重要。本文将详细介绍如何在PyTorch中实现这些功能。 首先，我们来看如何获取PyTorch模型的权重。这可以通过遍历...
VGGNet-16中的一些函数解析
SHNU_PFH的博客
08-09 2049
使用get_shape()[-1].value获取tensor的最后一维的长度，get_shape()[0].value获取tensor第一维的长度。例如： input = tf.random_normal([224,225,3], dtype=tf.float32,stddev = 1e-1) >>> input.get_shape()[0].value 224 >...
从VGG19中任意层提取图像识别的特征
Keep_Trying_Go的博客
04-03 4107
文章目录1.VGG19网络结构：2.主文件：main.py: 1.VGG19网络结构： 注意：我们输出第四层的block4_pool层的特征：（读者可以根据这个输出其他层的特征也可以） 2.主文件：main.py: import os import numpy as np from tensorflow.keras.models import Model import tensorflow.keras.applications.vgg19 from tensorflow.keras.preproce
深度学习VGG模型提取特征
weixin_42560055的博客
11-24 4654
用VGG-16预训练好的模型提取特征，通过相关学者预训练好的模型使用的都是公开的标准数据集，所以我们直接用预训练的模型提取我们自己图像的特征，可以用于对图像进行描述。 1、首先就要下载模型结构 预训练好的模型是VGG16.npy，这个文件需要单独下载，上面那个连接上有下载连接，不过一般打不开，我把网盘地址分享 出来，希望可以帮助需要的人。 文件test_vgg16.py可以用于提取特征。其中vgg16.npy是需要单独下载的文件。 2、使用预训练的模型提取特征 github地址：https://githu
利用预训练的VGG提取图像特征（pytorch）
qq_41893638的博客
02-27 6911
​ 核心部分 a=vgg.features(img)#使用feature获取特征层（卷积层）的特征；输出特征维度为【1，512，4，4】 b=vgg.avgpool(a)#使用vgg定义的池化操作；输出特征维度为【1，512，7，7】 b=torch.flatten(b,1)#将特征变成一维度；输出特征维度为【1，25088】 c=vgg.classifier[:1]#使用分类层的的第一层，当然可以选择数；输出特征维度为【1，4096】 前言 需要pytorch预训练模型VGG19提取图像特征，但VGG1
VGG 网络详解
qq_52053775的博客
04-27 4764
1.网络概述 在网络深度与网络性能的关系上，牛津大学视觉几何团队提出了一种深层次且性能良好的网络模型，即VGG网络模型。VGG很好地继承了AlexNet的衣钵，同时拥有着鲜明的特点，即网络层次较深。 牛津大学视觉几何团队在ILSVRC2014上提出了VGGNet。VGGNet的网络结构简单、规整且高效。VGGNet较为典型的网络结构主要有VGG16和VGG19，本节主要介绍VGG16，其网络结构如表5-1所示。 VGGNet对输入图像的默认大小是224×224×3。从表5-1中可以看出，VGG16指该网.
经典卷积神经网络-VGG原理
热门推荐
panghuzhenbang的博客
04-27 3万+
《Very Deep Convolutional Networks for Large-Scale Image Recognition》 VGG是2014年Oxford的Visual Geometry Group提出的，其在在2014年的 ImageNet 大规模视觉识别挑(ILSVRC -2014中获得了亚军，第一名是GoogleNet。该网络是作者参加ILSVRC 2014比赛上的作者所做的相关工作，相比AlexNet，VGG使用了更深的网络结构，证明了增加网络深度能够在一定程度上影响网络性能。 1
VGG网络详解以及实战
m0_61796189的博客
05-30 3309
前言 VGG 在2014年由牛津大学的视觉几何组 （Visual Geometry Group）提出，主要工作是证明了增加网络的深度能够在一定程度上影响网络最终的性能。 VGG16相比AlexNet的一个创新之处是采取连续的几个3x3的卷积核代替AlexNet中的较大卷积核。这样可以减少训练中的参数并且能够保证具有相同的感受野。 VGG网络结构 下面为VGG的网络结构图，我们以VGG16为例。 在这里我们发现VGG16总体上有13个卷积层和3个全连接层。通常我们把13个卷积层分为5个卷积块（VGG块）。以
VGG19识别CIFAR10数据集(Pytorch实战)
weixin_42888638的博客
12-16 3486
文章目录1.导库2.获取数据集CIFAR10数据集简单介绍加载数据集3.创建VGG19模型简单查看一下网络结构4.开启训练训练结果训练损失和测试损失关系图训练精度和测试精度关系图5.测试阶段6.查看效果图 1.导库 import time import os import numpy as np import torch import torch.nn.functional as F import torch.nn as nn from torch.utils.data import Dataset
Pytorch学习笔记（I）——预训练模型（六）：VGG19网络结构
lockonlxf的博客
05-21 7438
VGG( (features): Sequential( (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (1): ReLU(inplace) (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1...
【PyTorch】构造VGG19网络进行本地图片分类（超详细过程）——程序代码
See_Star的博客
06-10 9433
构造VGG19网络进行本地图片分类（超详细过程），包括如何自定义网络、自建数据集并加载、自定模型并训练
pytorch 获取网络中间层输出
最新发布
06-06
要获取PyTorch中间层的输出，可以使用`register_forward_hook`方法。该方法可用于在网络的前向传递中注册回调函数，并在给定层次结构上获取中间层输出。 以下是一个示例代码，展示如何获取名为`intermediate_layer_output`层的输出： ```python import torch.nn as nn class MyModel(nn.Module): def __init__(self): super(MyModel, self).__init__() self.layer1 = nn.Linear(10, 5) self.intermediate_layer = nn.Linear(5, 3) self.layer2 = nn.Linear(3, 1) def forward(self, x): x = self.layer1(x) x = torch.relu(x) x = self.intermediate_layer(x) x = torch.relu(x) x = self.layer2(x) return x model = MyModel() # 定义回调函数 def get_intermediate_layer_output(name): def hook(model, input, output): setattr(model, name, output) return hook # 注册回调函数 model.intermediate_layer.register_forward_hook(get_intermediate_layer_output('intermediate_layer_output')) # 输入数据并进行前向传递 x = torch.randn(1, 10) output = model(x) # 获取中间层输出 intermediate_output = model.intermediate_layer_output ``` 在上述代码中，我们首先定义了一个名为`MyModel`的模型，并在其中定义了三个线性层。然后，我们定义了一个名为`get_intermediate_layer_output`的回调函数，该函数用于获取中间层的输出。我们使用`register_forward_hook`方法将回调函数注册到`intermediate_layer`层上。最后，我们输入数据并进行前向传递，然后使用`model.intermediate_layer_output`获取中间层输出。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值