使用pytorch实现可视化中间层的结果
摘要
一直比较想知道图片经过卷积之后中间层的结果,于是使用pytorch写了一个脚本查看,先看效果
这是原图,随便从网上下载的一张大概224*224大小的图片,如下
网络介绍
我们使用的VGG16,包含RULE层总共有30层可以可视化的结果,我们把这30层分别保存在30个文件夹中,每个文件中根据特征的大小保存了64~128张图片
结果如下:
原图大小为224224,经过第一层后大小为64224*224,下面是第一层可视化的结果,总共有64张这样的图片:
下面看看第六层的结果
这层的输出大小是1128112*112,总共有128张这样的图片
下面是完整的代码
importcv2 importnumpyasnp importtorch fromtorch.autogradimportVariable fromtorchvisionimportmodels #创建30个文件夹 defmkdir(path):#判断是否存在指定文件夹,不存在则创建 #引入模块 importos #去除首位空格 path=path.strip() #去除尾部\符号 path=path.rstrip("\\") #判断路径是否存在 #存在True #不存在False isExists=os.path.exists(path) #判断结果 ifnotisExists: #如果不存在则创建目录 #创建目录操作函数 os.makedirs(path) returnTrue else: returnFalse defpreprocess_image(cv2im,resize_im=True): """ ProcessesimageforCNNs Args: PIL_img(PIL_img):Imagetoprocess resize_im(bool):Resizeto224ornot returns: im_as_var(Pytorchvariable):Variablethatcontainsprocessedfloattensor """ #meanandstdlistforchannels(Imagenet) mean=[0.485,0.456,0.406] std=[0.229,0.224,0.225] #Resizeimage ifresize_im: cv2im=cv2.resize(cv2im,(224,224)) im_as_arr=np.float32(cv2im) im_as_arr=np.ascontiguousarray(im_as_arr[...,::-1]) im_as_arr=im_as_arr.transpose(2,0,1)#ConvertarraytoD,W,H #Normalizethechannels forchannel,_inenumerate(im_as_arr): im_as_arr[channel]/=255 im_as_arr[channel]-=mean[channel] im_as_arr[channel]/=std[channel] #Converttofloattensor im_as_ten=torch.from_numpy(im_as_arr).float() #Addonemorechanneltothebeginning.Tensorshape=1,3,224,224 im_as_ten.unsqueeze_(0) #ConverttoPytorchvariable im_as_var=Variable(im_as_ten,requires_grad=True) returnim_as_var classFeatureVisualization(): def__init__(self,img_path,selected_layer): self.img_path=img_path self.selected_layer=selected_layer self.pretrained_model=models.vgg16(pretrained=True).features #print(self.pretrained_model) defprocess_image(self): img=cv2.imread(self.img_path) img=preprocess_image(img) returnimg defget_feature(self): #input=Variable(torch.randn(1,3,224,224)) input=self.process_image() print("inputshape",input.shape) x=input forindex,layerinenumerate(self.pretrained_model): #print(index) #print(layer) x=layer(x) if(index==self.selected_layer): returnx defget_single_feature(self): features=self.get_feature() print("features.shape",features.shape) feature=features[:,0,:,:] print(feature.shape) feature=feature.view(feature.shape[1],feature.shape[2]) print(feature.shape) returnfeatures defsave_feature_to_img(self): #tonumpy features=self.get_single_feature() foriinrange(features.shape[1]): feature=features[:,i,:,:] feature=feature.view(feature.shape[1],feature.shape[2]) feature=feature.data.numpy() #usesigmodto[0,1] feature=1.0/(1+np.exp(-1*feature)) #to[0,255] feature=np.round(feature*255) print(feature[0]) mkdir('./feature/'+str(self.selected_layer)) cv2.imwrite('./feature/'+str(self.selected_layer)+'/'+str(i)+'.jpg',feature) if__name__=='__main__': #getclass forkinrange(30): myClass=FeatureVisualization('/home/lqy/examples/TRP.PNG',k) print(myClass.pretrained_model) myClass.save_feature_to_img()
以上这篇使用pytorch实现可视化中间层的结果就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持毛票票。
声明:本文内容来源于网络,版权归原作者所有,内容由互联网用户自发贡献自行上传,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任。如果您发现有涉嫌版权的内容,欢迎发送邮件至:czq8825#qq.com(发邮件时,请将#更换为@)进行举报,并提供相关证据,一经查实,本站将立刻删除涉嫌侵权内容。