可视化深度学习不同层的特征图

SetMaker

已于 2023-02-09 16:57:49 修改

阅读量552

点赞数 1

文章标签： python numpy

于 2023-02-03 15:05:10 首次发布

本文链接：https://blog.csdn.net/qq_40962125/article/details/128867469

版权

该代码示例展示了如何在Pytorch中使用VGG16模型提取并可视化特定层的特征图。通过定义`get_k_layer_feature_map`函数获取第k层的特征图，然后用`show_feature_map`函数进行显示和保存。文章强调了如何处理模型、图像数据，并加载权重以进行特征图的提取和可视化。

摘要由CSDN通过智能技术生成

import torch
from torchvision import models, transforms
from PIL import Image
import matplotlib.pyplot as plt
import numpy as np
#import scipy.misc
 
 

 
# 获取第k层的特征图
def get_k_layer_feature_map(feature_extractor, k, x):
    #打印网络的层数
    print(feature_extractor)
    with torch.no_grad():
        for index,layer in enumerate(feature_extractor):
            x = layer(x)
            if k == index:
                print(layer)
                return x,str(layer)
 
#  可视化特征图
def show_feature_map(feature_map,layer,k):
    num = 0
    for i in range(len(layer)):
        if layer[i]!='(':
            num+=1
        else:
            break
    layer_ = layer[:num]
    num = 0
    feature_map = feature_map.squeeze(0)
    feature_map = feature_map.cpu().numpy()
    print(feature_map.shape)
    feature_map_num = feature_map.shape[0]
    row_num = np.ceil(np.sqrt(feature_map_num))
    plt.figure()
    for index in range(1, feature_map_num+1):
        plt.subplot(1, 1, 1)
        plt.imshow(feature_map[index-1], cmap='gray')
        plt.savefig('./feature_map/{}-{}_channel{}_feature_map.jpg'.format(k,layer_,index))
        #plt.axis('off')
        #scipy.misc.imsave(str(index)+".png", feature_map[index-1])
   # plt.savefig('./feature_map.jpg')
  # plt.show()
 
 
 
 
if __name__ ==  '__main__':
    # 初始化图像的路径
    image_dir = r"husky.png"
    # 定义提取第几层的feature map
    k = 1
    # 导入模型
    model = vgg(model_name='vgg16',num_classes=1000).to(device) #模型。需修改
    
    #读取图像信息
    image_info = #这里需要放入的信息为原始图像经过dataloader预处理后的结果（也就是真正放入模型的数据），需要根据不同网络手动修改。
    #权重路径
    weights_path = './vgg16-397923af.pth' #推理权重路径，需修改
    
    model.load_state_dict(torch.load(weights_path,map_location=device))
    model.eval()
    model = model.cuda()
    image_info = image_info.cuda()
    
    # alexnet只有features部分有特征图
    # classifier部分的feature map是向量
    feature_extractor = model.features
    feature_map ,layer= get_k_layer_feature_map(feature_extractor, k, image_info)
    show_feature_map(feature_map,layer,k)

该脚本可以输出网络层内容，以及想要的某一层的全部通道上的特征图。细节可根据代码进行修改。

原始内容参考：(110条消息) Pytorch从入门到放弃（8）——可视化FeatureMap(特征图)_澎湃de家夥的博客-CSDN博客_feature map可视化 pytorch