这篇文章主要介绍了pytorch输出中间层特征的示例分析，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。
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 torch
import torchvision
import numpy as np
from torch import nn
from torch.nn import init
from torch.autograd import Variable
from torch.utils import data
EPOCH=20
BATCH_SIZE=64
LR=1e-2
train_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()/255
test_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。
感谢你能够认真阅读完这篇文章，希望小编分享的“pytorch输出中间层特征的示例分析”这篇文章对大家有帮助，同时也希望大家多多支持创新互联成都网站设计公司，关注创新互联成都网站设计公司行业资讯频道，更多相关知识等着你来学习!
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、网站设计器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
