使用pytorch查看中间层特征矩阵以及卷积核参数

最新推荐文章于 2024-05-19 19:02:56 发布
最新推荐文章于 2024-05-19 19:02:56 发布
阅读量853 收藏 7
点赞数 7
文章标签： pytorch 矩阵 深度学习
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/weixin_42396719/article/details/134887432
版权

这篇是我对哔哩哔哩up主 @霹雳吧啦Wz 的视频的文字版学习笔记 感谢他对知识的分享

1和4是之前讲过的alexnet和resnet模型

2是分析中间层特征矩阵的脚本

3是查看卷积核参数的脚本

1设置预处理方法 和图像训练的时候用的预处理方法保持一致

2实例化模型

3载入之前的模型参数

4载入一张图片

5对图片进行预处理

6增加一个batch维度

7输入模型进行正向传播

如果print model可以看到模型信息：

模型虽然用的是alexnet，但是关于正向传播的代码做了一些修改：

因为我们目的是得到中间层的特征矩阵。

希望能遍历第一、第二、第三个卷积层并得到特征矩阵。

首先通过一个循环遍历我们features的层结构，通过named_children这个方法遍历features下面的所有层结构。

对于每一个层结构都用x=module(x)以实现正向传播的过程

回到analyze_feature_map.py

squeeze一下因为我们输入只有一个图片所以我们不需要N这个维度

然后transpose一下通道顺序

im[:,:,i]通过切片的方法获取每一个channel的特征矩阵

cmap='gray'表示用灰度图的方法来表示

如果不加这个，那默认就会用蓝色和绿色来替代灰度图的黑色和白色来展示

这就是我们第一个卷积层输出的特征矩阵的前12个通道的特征图

可以和原图对比一下：  

卷积层2所输出的特征矩阵：

可以看到有的通道是纯黑的，也就是说有的卷积核是没有起到任何作用的，就是没有学到东西

卷积层越往后抽象程度越高

如果不加cmap=gray：

接下来我们看一下如何查看网络卷积层的卷积核的信息

我们其实可以直接通过torch.load载入模型参数，返回的是一个dict字典形式，key是层名称value就是该层的训练信息。

state_dict() 来获取模型中所有可训练参数的字典keys()获取所有具有参数的层结构的名称

只有卷积层有训练参数，relu和maxpool2d是没有训练参数的

卷积核的个数对应输出矩阵的深度

卷积核的通道数对应输入矩阵的深度

这一句是为了排除编程结构的一些不需要的信息

另外，如果B站视频分辨率不太好，感觉跟全屏时的清晰度差很多，但是不全屏的话就截图都截不清楚，那么就拖拽网页页面左右划拉一下试试，就会变清晰

芒果香菠菠
关注
PyTorch深度学习实战（11）——卷积神经网络
盼小辉丶的博客
08-14 1万+
卷积神经网络 (Convolutional Neural Network, CNN) 是一种广泛应用的深度学习模型。通过参数共享、局部感知和空间结构等优势，能够更好地处理图像数据，并在图像识别、目标检测和图像生成等任务中展现出强大的能力。在本节中，介绍了卷积的计算方法以及卷积神经网络的基本组件，并使用 PyTorch 构建了卷积神经网络以深入了解其工作原理。
深度学习CV方向学习笔记4 —— 1×1卷积核的作用
qq_33909645的博客
10-13 1934
个人学习神经网络相关知识的学习记录，本帖记录的是关于1×1卷积核的知识。 学习资料来源于各博主的帖子、知乎、b站等，在个人理解的基础上加以总结，可能存在理解有误之处，欢迎指正！
pytorch 实现查看网络中的参数
09-18
今天小编就为大家分享一篇pytorch 实现查看网络中的参数，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
学习笔记：使用pytorch查看中间层特征矩阵以及卷积核参数
2301_79538126的博客
10-23 206
下图中的feature0.weight,feature0.bias,feature3.weight,feature3.bias,feature6.weight,feature6.bias,feature8.weight,feature8.bias与上一张图的Alexnet模型结构对应。（5）由于输入的只有一张图片，[N, C, H, W] -> [C, H, W]，所以N是没意义的，需要用squeeze对其进行压缩。可以看到当name=0时，卷积层结构就是（3）的Conv2d的结构。（1）图像预处理过程。
Pytorch 查看模型参数
热门推荐
happyday_d的博客
03-22 7万+
Pytorch 查看模型参数 查看利用Pytorch搭建模型的参数,直接看程序 import torch # 引入torch.nn并指定别名 import torch.nn as nn import torch.nn.functional as F class Net(nn.Module): def __init__(self): # nn.Module子类的函数必须在构...
介绍如何查看PyTorch模型的参数【参数名、参数值】
最新发布
KRISNAT
05-19 1458
此篇博客简单讲解如何使用Python脚本查看PyTorch模型的参数。
pytorch 提取权重_获取Pytorch中间某一层权重或者特征的例子
weixin_30921373的博客
01-14 2190
问题:训练好的网络模型想知道中间某一层的权重或者看看中间某一层的特征,如何处理呢?1、获取某一层权重,并保存到excel中;以resnet18为例说明:import torchimport pandas as pdimport numpy as npimport torchvision.models as modelsresnet18 = models.resnet18(pretrained=Tr...
【Datawhale学习】Pytorch可视化
qq_41913284的博客
08-26 1220
Pytorch的可视化
在pytorch中查看可训练参数的例子
01-01
pytorch中我们有时候可能需要设定某些变量是参与训练的，这时候就需要查看哪些是可训练参数，以确定这些设置是成功的。 pytorch中model.parameters()函数定义如下： def parameters(self): rReturns an iterator over module parameters. This is typically passed to an optimizer. Yields: Parameter: module parameter Example:: >>> for param in
pytorch应用（入门5）CNN卷积神经网络、提取层结构、提取参数
CSDN_YJX的博客
01-01 1703
卷积网络在计算机视觉领域被应用得非常广泛，那么常见的卷机网络中用到的模块能够使用 pytorch 非常轻松地实现，下面我们来讲一下 pytorch 中的卷积模块有时候提取出的层结构并不够，还需要对里面的参数进行初始化，那么如何提取出网络的参数并对其初始化呢?如何对权重做初始化呢?非常简单，因为权重是一个Variable,所以只需要取出其中的data属性，然后对它进行所需要的处理就可以了。下面是模板性的代码：通过上面的操作，对将卷积层中使用PyTorch里面提供的方法的权重进行初始化，
pytorch卷积核参数如何显示/CNN中模型参数/Conv3d中参数显示
qq_43369406的博客
05-05 737
上述代码中，torch.nn.Conv2d创建了一个具有3个输入通道、16个输出通道、3x3大小的卷积核以及1个像素的填充的卷积层。使用state_dict()方法获取模型参数的字典，然后通过键名’weight’获取卷积核的参数。在PyTorch中，可以使用state_dict()方法来获取模型的参数。
查看pytorch网络每一层的计算结果
weixin_44323744的博客
03-17 3773
在做卷积的时候，想知道神经网络中，每一个卷积之后的特征图尺寸。 使用torchsummary就可以：使用torchsummary进行查看。 确定自己的网络decoder。 在summary的参数，输入特征size不需要有batch。我输入的尺寸为（C, T, H, W）. import torch.nn as nn from torchsummary import summary decoder = nn.Sequential( nn.ConvTr
深度学习之图像分类（二）--pytorch查看中间层特征矩阵以及卷积核参数
木卯_THU的博客
08-26 3586
深度学习之图像分类（二）-- pytorch查看中间层特征矩阵以及卷积核参数深度学习之图像分类（二）pytorch查看中间层特征矩阵以及卷积核参数1. 可视化 feature maps2. 可视化 kernel weights 深度学习之图像分类（二）pytorch查看中间层特征矩阵以及卷积核参数 在开始学习深度学习图像分类模型Backbone理论知识之前，先看看如何在 pytorch 框架中查看中间层特征矩阵以及卷积核参数，学习视频源于 Bilibili。 耳听为虚，眼见为实！可视化 feature ma
Pytorch卷积详解
微小冷的学习笔记
01-04 1109
放开这两个参数之后，数据量会陡然倍增，所以不再关注其具体的值的变化，而把目光聚焦在其形状变化。毫无疑问，nn.Conv1d是最简单的卷积操作，毕竟只涉及到一个维度，下面便以此为例，来初探卷积类的使用方法。填充方式padding_mode表示，当卷积计算导致边缘像素被侵蚀的时候，在这些被侵蚀的区域的填充模式。上面的示例为了理解卷积的运算过程，而将输入核输出通道均设为1，下面将二者放开，看看会发生什么。，调用其内部的weight成员，得到卷积核的真实面貌。，c1®的返回值也是一个张量，相当于计算卷积。
查看神经网络中间层特征矩阵及卷积核参数
Life And Code
01-18 845
可视化feature maps以及kernel weights，使用alexnet模型进行演示。
PyTorch深度学习实践（三）
#仙女不扎马尾#的博客
03-12 2714
文章目录1 梯度下降引入2 计算图3 链式求导 写在前面：之前学习的都是简单的预测问题，涉及的函数是一维线性函数，在本节内容中，要开始介绍稍微复杂一点的神经网络了，参数w不再是1个，而是很多个！ 1 梯度下降引入 在第一列的五个圆圈和六个圆圈之间，我们可以看到有30条线。第一列的五个圆圈表示51的输入x，第二列表示第一层的61输出，那么中间 很显然是一个6*5的权重矩阵。也就是说，这里一共有30个参数。 是否能做这样一个算法，将整个网络看成一个计算图，可以在计算图上传播梯度，最后根据链式法则把梯
Pytorch查看模型参数量和计算量
mytzs123的博客
06-29 1万+
1、首先声明一个网络使用torchsummary可以查看模型的参数，和输入输出尺寸，但不能看FLOPs。 2、pip install thop可以显示总的FLOPs和参数量params，但不能显示每层的结构，有一些警告，但是没关系，因为relu是不参与计算参数量和FLOPs的。 3、pip install torchstat可以显示总的FLOPs和参数量params，也可能显示每层的结构。.........
怎么使用pytorch查看卷积核权值
06-10
使用PyTorch查看卷积核权值可以通过以下步骤实现： 1. 首先，获取卷积层的权重参数，例如： ``` conv_layer = nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3, stride=1, padding=1) weights = conv_...
评论
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