获得模型中某一层特征图的尺寸大小

  在神经网络中，如果想获取模型中不同层的特征图尺寸（例如out1、out2、out3和out4），可以在模型的forward方法中逐层计算，并保存感兴趣层的输出。以下是一个示例代码，展示如何获得不同层的特征图尺寸：

import torch
import torch.nn as nn

class YourModel(nn.Module):
    def __init__(self):
        super(YourModel, self).__init__()
        # 定义你的神经网络结构，这里以VGG16为例
        self.features = nn.Sequential(
            nn.Conv2d(3, 64, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=2, stride=2),
            nn.Conv2d(64, 128, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=2, stride=2),
            nn.Conv2d(128, 256, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(256, 256, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=2, stride=2),
            nn.Conv2d(256, 512, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(512, 512, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=2, stride=2),
        )

    def forward(self, x):
        # 在forward方法中计算不同层的特征图，并保存感兴趣的层的输出
        out1 = self.features[0:4](x)  # 第一层特征图
        out2 = self.features[4:9](out1)  # 第二层特征图
        out3 = self.features[9:16](out2)  # 第三层特征图
        out4 = self.features[16:](out3)  # 第四层特征图

        return out1, out2, out3, out4  # 返回多个层的输出

if __name__ == '__main__':

    # 加载你的模型实例
    model = YourModel()

    # 将模型加载到设备上（CPU或GPU）
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    model.to(device)

    # 准备输入数据，假设是随机生成的张量
    input_tensor = torch.randn(1, 3, 224, 224).to(device)

    # 在前向传播过程中获取不同层的特征图尺寸
    out1, out2, out3, out4 = model(input_tensor)
    print("out1特征图尺寸:", out1.size())
    print("out2特征图尺寸:", out2.size())
    print("out3特征图尺寸:", out3.size())
    print("out4特征图尺寸:", out4.size())