PyTorch 可视化特征
这个也可以参考:
https://blog.csdn.net/LEILEI18A/article/details/80389229
这篇博客主要记录了如何提取特定层的特征,然后对它进行可视化
二 主要的实现思路:
- 处理单张图片作为网络输入。
- 根据给定的layer层,获取该层的输出结果
features
。 - 考虑到
features
的形状为:[batch_size, filter_nums, H, W] 提取其中的第一个过滤器得到的结果feature
。 - 以一张图片作为输入的情况下,我们得到的
feature
即为[H,W]大小的tensor。 - 将tensor转为numpy,然后归一化到[0,1],最后乘255,使得范围为[0,255]
- 得到灰度图像并保存。
三 具体实现过程
了解实现流程之后整个代码没有什么难度,对其中的关键点进行简单说明一下:
- 模型我用了在ImageNet预先训练好的vgg16作为示例。
- 打印模型结构可以看到每一层对应的id是什么。
- 通常选择
conv
后面的特征进行可视化。 - 整个的实现放在类
FeatureVisualization
中实现。 - 对于归一化到[0,1]的部分我用了sigmod方法。
需要特别交代的差不多就是这些,直接上代码了:
import cv2
import numpy as np
import tor
PyTorch 可视化特征相关推荐
- 可视化pytorch网络特征图
0. 背景 在目标检测任务中,我们会使用多尺度的特征图进行预测,背后的常识是:浅层特征图包含丰富的边缘信息有利于定位小目标,高层特征图中包含大量的语义信息有利于大目标的定位和识别.为了进一步了解特征图 ...
- Pytorch可视化语义分割特征图
简介 深度学习中有时候可视化特征图是必要的,特别是对于语义分割任务,合理分析特征图也许能够发现新的idea!接下来讲解一种Pytorch框架下的可视化方法,这里采取的网络模型为Deeplabv3+,首 ...
- pytorch实现特征图可视化,代码简洁,包教包会
是不是要这样的效果 技术要点 1.选择一层网络,将图片的tensor放进去 2.将网络的输出plt.imshow 代码可直接复制使用,需要改的就是你的图片位置 import torch from to ...
- pytorch 神经网络特征可视化
可参考博客 Pytorch可视化模型任意中间层的类激活热力图(Grad-CAM)_潜行隐耀的博客-CSDN博客_pytorch热力图 Pytorch输出网络中间层特征可视化_Joker-Tong的博客 ...
- 卷积神经网络、比较MLPS和CNNS、滤波器、CNN各层的作用、在Pytorch可视化CNN
1.33.卷积神经网络 1.33.1.卷积 和 神经网络 1.33.1.1.比较MLPS和CNNS 1.33.1.2.计算机如何看图像? 1.33.1.3.建立自己的滤波器 1.33.2.完整的卷积神 ...
- pytorch卷积可视化_使用Pytorch可视化卷积神经网络
pytorch卷积可视化 Filter and Feature map Image by the author 筛选和特征图作者提供的图像 When dealing with image's and ...
- PyTorch学习笔记(七):PyTorch可视化
PyTorch可视化 往期学习资料推荐: 1.Pytorch实战笔记_GoAI的博客-CSDN博客 2.Pytorch入门教程_GoAI的博客-CSDN博客 本系列目录: PyTorch学习笔记(一) ...
- task05 PyTorch可视化
PyTorch可视化 1. 可视化网络结构 使用torchinfo工具包,学习网络结构可视化的方案 import os import numpy as np import torch import t ...
- R语言随机森林模型:计算随机森林模型的特征重要度(feature importance)并可视化特征重要度、使用少数重要特征拟合随机森林模型(比较所有特征模型和重要特征模型在测试集上的表现差异)
R语言随机森林模型:计算随机森林模型的特征重要度(feature importance)并可视化特征重要度.使用少数重要特征拟合随机森林模型(比较所有特征模型和重要特征模型在测试集上的表现差异) 目录
最新文章
- JSONObject和JSONArray(json-lib-2.4)的基本用法
- mysql引擎层存储层_MySQL存储底层技术:InnoDB底层原理解读
- python导入xlsx文件-Python读取xlsx文件的实现方法
- redis-cli使用密码登录
- 笔记 | 机器学习《概率图模型》,手推笔记已186页!
- call、apply、bind的区别,模拟call、apply和bind的实现
- javascript || 简写 if
- 91卫图助手-使用及下载
- 【JS中innerHeight/Width、clientHeight/Width和offsetHeight/Width使用及其详解】
- 企业如何选择固定资产管理系统?
- 图解大数据技术:从入门到精通系列教程
- Linux 创建oracle数据库
- Stata:各类集中度指数估算-广义基尼Gini系数
- 区块链在中国(3):区块链场景漫谈
- 详解“辗转相除法”(如何求最大公约数)
- hexo latex 换行 多行公式 终极解决方案
- Novell云计算大会在京开幕
- CTF之Bugku 游戏过关
- 利用for循环打印 9*9 表?
- win10 在git bash上使用docker
热门文章
- kali Linux metasploit进入msfgui
- 寿光农商行计算机机房,寿光农商银行 举办2021年新员工入职仪式
- 数据结构 图的广度优先遍历 C++
- 数据结构 - 二元查找树
- input blur获取不到当前值_解决 Laravel JWT 多表认证时获取不到当前认证用户的问题...
- html5语音对讲,c#语音对讲demo
- java代码如何能运行起来_Java代码如何运行
- css里dom宽度,2019-08-23 DOM中各种高度、宽度
- 计算机里的音乐都是什么名字,PAPI
- 电子计算机是一种精准的仪器,常见的八种无损检测仪器