pytorch 输出中间层特征：

tensorflow输出中间特征，2种方式：

1. 保存全部模型(包括结构)时，需要之前先add_to_collection 或者 用slim模块下的end_points

2. 只保存模型参数时，可以读取网络结构，然后按照对应的中间层输出即可。

but：Pytorch 论坛给出的答案并不好用，无论是hooks，还是重建网络并去掉某些层，这些方法都不好用（在我看来）。

我们可以在创建网络class时，在forward时加入一个dict 或者 list，dict是将中间层名字与中间层输出分别作为key:value,然后作为第二个值返回。前提是：运行创建自己的网络（无论fine-tune），只保存网络参数。

个人理解：虽然每次运行都返回2个值，但是运行效率基本没有变化。

附上代码例子：

import torchimport torchvisionimport numpy as npfrom torch import nnfrom torch.nn import initfrom torch.autograd import Variablefrom torch.utils import dataEPOCH=20BATCH_SIZE=64LR=1e-2train_data=torchvision.datasets.MNIST(root='./mnist',train=True, transform=torchvision.transforms.ToTensor(),download=False)train_loader=data.DataLoader(train_data,batch_size=BATCH_SIZE,shuffle=True)test_data=torchvision.datasets.MNIST(root='./mnist',train=False)test_x=Variable(torch.unsqueeze(test_data.test_data,dim=1).type(torch.FloatTensor)).cuda()/255test_y=test_data.test_labels.cuda()class CNN(nn.Module): def __init__(self): super().__init__() self.conv1=nn.Sequential( nn.Conv2d(in_channels=1,out_channels=16,kernel_size=4,stride=1,padding=2), nn.ReLU(), nn.MaxPool2d(kernel_size=2,stride=2)) self.conv2=nn.Sequential(nn.Conv2d(16,32,4,1,2),nn.ReLU(),nn.MaxPool2d(2,2)) self.out=nn.Linear(32*7*7,10) def forward(self,x): per_out=[] ############修改处############## x=self.conv1(x) per_out.append(x) # conv1 x=self.conv2(x) per_out.append(x) # conv2 x=x.view(x.size(0),-1) output=self.out(x) return output,per_out cnn=CNN().cuda() # or cnn.cuda()optimizer=torch.optim.Adam(cnn.parameters(),lr=LR)loss_func=nn.CrossEntropyLoss().cuda()############################for epoch in range(EPOCH): for step,(x,y) in enumerate(train_loader): b_x=Variable(x).cuda()# if channel==1 auto add c=1 b_y=Variable(y).cuda()# print(b_x.data.shape) optimizer.zero_grad() output=cnn(b_x)[0] ##原先只需要cnn(b_x) 但是现在需要用到第一个返回值## loss=loss_func(output,b_y)# Variable need to get .data loss.backward() optimizer.step() if step%50==0: test_output=cnn(test_x)[0] pred_y=torch.max(test_output,1)[1].cuda().data.squeeze() ''' why data ,because Variable .data to Tensor;and cuda() not to numpy() ,must to cpu and to numpy and .float compute decimal ''' accuracy=torch.sum(pred_y==test_y).data.float()/test_y.size(0) print('EPOCH: ',epoch,'| train_loss:%.4f'%loss.data[0],'| test accuracy:%.2f'%accuracy) # loss.data.cpu().numpy().item() get one value torch.save(cnn.state_dict(),'./model/model.pth')##输出中间层特征，根据索引调用##conv1: conv1=cnn(b_x)[1][0]conv2: conv2=cnn(b_x)[1][1]

##########################

hook使用：

res=torchvision.models.resnet18()def get_features_hook(self, input, output):# self 代表类模块本身 print(output.data.cpu().numpy().shape)handle=res.layer2.register_forward_hook(get_features_hook)a=torch.ones([1,3,224,224])

b=res(a) 直接打印出 layer2的输出形状，但是不好用。因为，实际中，我们需要return，而hook明确指出 不可以return 只能print。

所以，不建议使用hook。

以上这篇pytorch 输出中间层特征的实例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。