使用pytorch实现可视化中间层的结果


Posted in Python onDecember 30, 2019

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

使用pytorch实现可视化中间层的结果

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:

使用pytorch实现可视化中间层的结果

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

使用pytorch实现可视化中间层的结果

下面是完整的代码

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()

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三水点靠木。

Python 相关文章推荐
举例讲解Python中的算数运算符的用法
May 13 Python
Python数据类型详解(一)字符串
May 08 Python
python模块之sys模块和序列化模块(实例讲解)
Sep 13 Python
教你用 Python 实现微信跳一跳(Mac+iOS版)
Jan 04 Python
Django学习笔记之为Model添加Action
Apr 30 Python
Python一行代码实现快速排序的方法
Apr 30 Python
Python文件操作函数用法实例详解
Dec 24 Python
tensorflow使用L2 regularization正则化修正overfitting过拟合方式
May 22 Python
pycharm设置默认的UTF-8编码模式的方法详解
Jun 01 Python
浅谈keras中Dropout在预测过程中是否仍要起作用
Jul 09 Python
ASP.NET Core中的配置详解
Feb 05 Python
python使用shell脚本创建kafka连接器
Apr 29 Python
在Pytorch中计算自己模型的FLOPs方式
Dec 30 #Python
Pytorch之保存读取模型实例
Dec 30 #Python
Python爬虫解析网页的4种方式实例及原理解析
Dec 30 #Python
Python中如何将一个类方法变为多个方法
Dec 30 #Python
pytorch 实现打印模型的参数值
Dec 30 #Python
Python如何基于smtplib发不同格式的邮件
Dec 30 #Python
pytorch获取模型某一层参数名及参数值方式
Dec 30 #Python
You might like
随机广告显示(PHP函数)
2006/10/09 PHP
php调用方法mssql_fetch_row、mssql_fetch_array、mssql_fetch_assoc和mssql_fetch_objcect读取数据的区别
2012/08/08 PHP
PHP之APC缓存详细介绍 apc模块安装
2014/01/13 PHP
用YUI做了个标签浏览效果
2007/02/20 Javascript
你必须知道的JavaScript 变量命名规则详解
2013/05/07 Javascript
深入解析JavaScript中的变量作用域
2013/12/06 Javascript
用JavaScript显示浏览器客户端信息的超相近教程
2015/06/18 Javascript
JavaScript计划任务后台运行的方法
2015/12/18 Javascript
分享两款带遮罩的jQuery弹出框
2015/12/30 Javascript
基于JavaScript实现回到页面顶部动画代码
2016/05/24 Javascript
JS简单去除数组中重复项的方法
2016/09/13 Javascript
JS实现可编辑的后台管理菜单功能【附demo源码下载】
2016/09/13 Javascript
Vue+Mock.js模拟登录和表格的增删改查功能
2018/07/26 Javascript
ng-repeat指令在迭代对象时的去重方法
2018/10/02 Javascript
Bootstrap 时间日历插件bootstrap-datetimepicker配置与应用小结
2019/05/28 Javascript
layui--select使用以及下拉框实现键盘选择的例子
2019/09/24 Javascript
通过GASP让vue实现动态效果实例代码详解
2019/11/24 Javascript
使用preload预加载页面资源时注意事项
2020/02/03 Javascript
python发送邮件的实例代码(支持html、图片、附件)
2013/03/04 Python
Python实现字典的遍历与排序功能示例
2017/12/23 Python
pygame实现雷电游戏雏形开发
2018/11/20 Python
Python异常处理知识点总结
2019/02/18 Python
python读取大文件越来越慢的原因与解决
2019/08/08 Python
python线程join方法原理解析
2020/02/11 Python
解决django FileFIELD的编码问题
2020/03/30 Python
浅谈JupyterNotebook导出pdf解决中文的问题
2020/04/22 Python
Python导入父文件夹中模块并读取当前文件夹内的资源
2020/11/19 Python
Python Selenium XPath根据文本内容查找元素的方法
2020/12/07 Python
CSS3制作精致的照片墙特效
2016/06/07 HTML / CSS
访谈节目策划方案
2014/05/15 职场文书
收款委托书
2014/10/14 职场文书
《用字母表示数》教学反思
2016/02/17 职场文书
创业计划书之酒店
2019/08/30 职场文书
css背景和边框标签实例详解
2021/05/21 HTML / CSS
分析Python感知线程状态的解决方案之Event与信号量
2021/06/16 Python
JAVA API 实用类 String详解
2021/10/05 Java/Android