时间:2021-05-22
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。
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
实际应用时可能比较想获取VGG中间层的输出,那么就可以如下操作:importnumpyasnpimporttorchfromtorchvisionimportm
三门冰箱中间层叫保鲜层。它的作用如下: 1、恒温保鲜作用。三门冰箱中间层能够表现很好的保鲜作用。将中间层的温度调到零度,食物就能够在不结冰的状态下完成保鲜。这
三门冰箱中间的门的作用: 1、恒温保鲜作用 三门冰箱中间层能够表现很好的保鲜作用。将中间层的温度调到零度,食物就能够在不结冰的状态下完成保鲜。这个功用在不损
一般情况下,前端的文件上传一般都是通过form表单的()来完成文件的上传,如果使用node中间层完成跨域,文件的上传就需要在node中间层处理成可读流,转成fo
冰箱中间层一般适合放蔬菜、水果、短时保鲜肉等。中间层的特殊保鲜作用使得新鲜的蔬菜水果能够更长时间保持新鲜和营养,因此,买回家的绿叶蔬菜,新鲜水果都可以放在这一层