使用pytorch怎么实现一个可视化中间层

这篇文章将为大家详细讲解有关使用pytorch怎么实现一个可视化中间层，文章内容质量较高，因此小编分享给大家做个参考，希望大家阅读完这篇文章后对相关知识有一定的了解。

import cv2 import numpy as np import torch from torch.autograd import Variable from torchvision import models #创建30个文件夹 def mkdir(path): # 判断是否存在指定文件夹，不存在则创建   # 引入模块   import os   # 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   if not isExists:     # 如果不存在则创建目录     # 创建目录操作函数     os.makedirs(path)     return True   else:     return False def preprocess_image(cv2im, resize_im=True):   """     Processes image for CNNs   Args:     PIL_img (PIL_img): Image to process     resize_im (bool): Resize to 224 or not   returns:     im_as_var (Pytorch variable): Variable that contains processed float tensor   """   # mean and std list for channels (Imagenet)   mean = [0.485, 0.456, 0.406]   std = [0.229, 0.224, 0.225]   # Resize image   if resize_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) # Convert array to D,W,H   # Normalize the channels   for channel, _ in enumerate(im_as_arr):     im_as_arr[channel] /= 255     im_as_arr[channel] -= mean[channel]     im_as_arr[channel] /= std[channel]   # Convert to float tensor   im_as_ten = torch.from_numpy(im_as_arr).float()   # Add one more channel to the beginning. Tensor shape = 1,3,224,224   im_as_ten.unsqueeze_(0)   # Convert to Pytorch variable   im_as_var = Variable(im_as_ten, requires_grad=True)   return im_as_var class FeatureVisualization():   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)   def process_image(self):     img=cv2.imread(self.img_path)     img=preprocess_image(img)     return img   def get_feature(self):     # input = Variable(torch.randn(1, 3, 224, 224))     input=self.process_image()     print("input shape",input.shape)     x=input     for index,layer in enumerate(self.pretrained_model):       #print(index)       #print(layer)       x=layer(x)       if (index == self.selected_layer):         return x   def get_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)     return features   def save_feature_to_img(self):     #to numpy     features=self.get_single_feature()     for i in range(features.shape[1]):       feature = features[:, i, :, :]       feature = feature.view(feature.shape[1], feature.shape[2])       feature = feature.data.numpy()       # use sigmod to [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__':   # get class   for k in range(30):     myClass=FeatureVisualization('/home/lqy/examples/TRP.PNG',k)     print (myClass.pretrained_model)     myClass.save_feature_to_img()

关于使用pytorch怎么实现一个可视化中间层就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。