feature map的可视化

最近使用yolo-tiny进行目标检测，需要用tensorboard将特征图可视化，从网上搜索了一大圈，找到了比较靠谱的方法。`

img_grid = vutils.make_grid(x, normalize=True, scale_each=True, nrow=2)
# 绘制原始图像
writer.add_image('raw img', img_grid, global_step=666)  # j 表示feature map数
print(x.size())

model.eval()
for name, layer in model._modules.items():

    # 为fc层预处理x
    x = x.view(x.size(0), -1) if "fc" in name else x
    print(x.size())

    x = layer(x)
    print(f'{name}')

    # 第一个卷积没有进行relu，要记得加上
    x = F.relu(x) if 'conv' in name else x
    if  'layer' in name or 'conv' in name:
        x1 = x.transpose(0, 1)  # C，B, H, W  ---> B，C, H, W
        img_grid = vutils.make_grid(x1, normalize=True, scale_each=True, nrow=4)  # normalize进行归一化处理
        writer.add_image(f'{name}_feature_maps', img_grid, global_step=0)

因为我需要把网络内部分节点的特征图可视化出来，特征图的每个像素点上的数值范围不是[0,1]，而是可正可负，可大可小，因此需要做一些特殊处理。这里就要用到 ==torchvision.utils.make_grid( )==函数，把输入的特征图做一个归一化，把参数normalize设置为True即可，它能帮我们把数据的输入范围调整至[0, 1]之间

def make_grid(tensor, nrow=8, padding=2,
              normalize=False, range=None, scale_each=False, pad_value=0):

上面这些方法是针对一些backbone比较简单直接的网络,比如vgg，对于yolo这种backbone比较复杂，一层套一层的，还是不能直接用的。拿yolo4-tiny举例子，backbone为：

#-------------------------------------------------#
#   卷积块
#   CONV+BATCHNORM+LeakyReLU
#-------------------------------------------------#
class BasicConv(nn.Module):
    def __init__(self, in_channels, out_channels, kernel_size, stride=1):
        super(BasicConv, self).__init__()

        self.conv = nn.Conv2d(in_channels