之前做的一些项目中涉及到feature map 可视化的问题，一个层中feature map的数量往往就是当前层out_channels的值，我们可以通过以下代码可视化自己网络中某层的feature map，个人感觉可视化feature map对调参还是很有用的。
发展壮大离不开广大客户长期以来的信赖与支持，我们将始终秉承“诚信为本、服务至上”的服务理念，坚持“二合一”的优良服务模式，真诚服务每家企业，认真做好每个细节，不断完善自我，成就企业，实现共赢。行业涉及
小搅拌车等，在
成都网站建设、
营销型网站建设、WAP手机网站、VI设计、软件开发等项目上具有丰富的设计经验。
不多说了，直接看代码：
import torch
from torch.autograd import Variable
import torch.nn as nn
import pickle
from sys import path
path.append('/residual model path')
import residual_model
from residual_model import Residual_Model
model = Residual_Model()
model.load_state_dict(torch.load('./model.pkl'))
class myNet(nn.Module):
def __init__(self,pretrained_model,layers):
super(myNet,self).__init__()
self.net1 = nn.Sequential(*list(pretrained_model.children())[:layers[0]])
self.net2 = nn.Sequential(*list(pretrained_model.children())[:layers[1]])
self.net3 = nn.Sequential(*list(pretrained_model.children())[:layers[2]])
def forward(self,x):
out1 = self.net1(x)
out2 = self.net(out1)
out3 = self.net(out2)
return out1,out2,out3
def get_features(pretrained_model, x, layers = [3, 4, 9]): ## get_features 其实很简单
'''
1.首先import model
2.将weights load 进model
3.熟悉model的每一层的位置，提前知道要输出feature map的网络层是处于网络的那一层
4.直接将test_x输入网络，*list(model.chidren())是用来提取网络的每一层的结构的。net1 = nn.Sequential(*list(pretrained_model.children())[:layers[0]]) ,就是第三层前的所有层。
'''
net1 = nn.Sequential(*list(pretrained_model.children())[:layers[0]])
# print net1
out1 = net1(x)
net2 = nn.Sequential(*list(pretrained_model.children())[layers[0]:layers[1]])
# print net2
out2 = net2(out1)
#net3 = nn.Sequential(*list(pretrained_model.children())[layers[1]:layers[2]])
#out3 = net3(out2)
return out1, out2
with open('test.pickle','rb') as f:
data = pickle.load(f)
x = data['test_mains'][0]
x = Variable(torch.from_numpy(x)).view(1,1,128,1) ## test_x必须为Varibable
#x = Variable(torch.randn(1,1,128,1))
if torch.cuda.is_available():
x = x.cuda() # 如果模型的训练是用cuda加速的话，输入的变量也必须是cuda加速的，两个必须是对应的，网络的参数weight都是用cuda加速的，不然会报错
model = model.cuda()
output1,output2 = get_features(model,x)## model是训练好的model,前面已经import 进来了Residual model
print('output1.shape:',output1.shape)
print('output2.shape:',output2.shape)
#print('output3.shape:',output3.shape)
output_1 = torch.squeeze(output2,dim = 0)
output_1_arr = output_1.data.cpu().numpy() # 得到的cuda加速的输出不能直接转变成numpy格式的，当时根据报错的信息首先将变量转换为cpu的，然后转换为numpy的格式
output_1_arr = output_1_arr.reshape([output_1_arr.shape[0],output_1_arr.shape[1]])
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
网页标题：pytorch可视化featuremap的示例代码-创新互联
转载来于：
http://cdkjz.cn/article/dgjdeo.html
