pytorch卷积网络特征图可视化

[PyTorch]即插即用的热力图生成 一段Pytorch快速生成热力图的代码 阅读详情

pytorch特征图 可视化 清测有效,Mark一下。

引用自 https://my.oschina.net/u/4300877/blog/4693569

# -*- coding: utf-8 -*-
"""
Created on Tue Oct 27 09:25:51 2020

@author: LX
"""

#%%特征可视化
import matplotlib.pyplot as plt
import cv2
import numpy as np
from PIL import Image
from torchvision import models, transforms
import torch
import timm
class SaveConvFeatures(): 
    
    def __init__(self, m): # module to hook
        self.hook = m.register_forward_hook(self.hook_fn) 
    def hook_fn(self, module, input, output): 
        self.features = output.data 
    def remove(self):
        self.hook.remove()

device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
t = transforms.Compose([transforms.Resize((224, 224)), #128, 128
                                      transforms.ToTensor(),
                                      transforms.Normalize(mean=0.1307, std=0.3081)])

img_file = r"C:\Users\LX\Pictures\elephant.jpg"
img = Image.open(img_file)
img = t(img).unsqueeze(0).to(device)

custom_model = models.resnet50(pretrained=True)
# custom_model = timm.create_model('resnest50d', pretrained=True)
# custom_model.layer4是自己需要查看特征输出的卷积层
hook_ref = SaveConvFeatures(custom_model.layer4)
with torch.no_grad():
    custom_model(img)
    
conv_features = hook_ref.features # [1,2048,7,7]
print('特征图输出维度:', conv_features.shape) #其实得到特征图之后可以自己编写绘图程序
hook_ref.remove()

def show_feature_map(img_src, conv_features):
    '''可视化卷积层特征图输出
    img_src:源图像文件路径
    conv_feature:得到的卷积输出,[b, c, h, w]
    '''
    img = Image.open(img_file).convert('RGB')
    height, width = img.size
    heat = conv_features.squeeze(0)#降维操作,尺寸变为(2048,7,7)
    heat_mean = torch.mean(heat,dim=0)#对各卷积层(2048)求平均值,尺寸变为(7,7)
    heatmap = heat_mean.numpy()#转换为numpy数组
    heatmap /= np.max(heatmap)#minmax归一化处理
    heatmap = cv2.resize(heatmap,(img.size[0],img.size[1]))#变换heatmap图像尺寸,使之与原图匹配,方便后续可视化
    heatmap = np.uint8(255*heatmap)#像素值缩放至(0,255)之间,uint8类型,这也是前面需要做归一化的原因,否则像素值会溢出255(也就是8位颜色通道)
    heatmap = cv2.applyColorMap(heatmap,cv2.COLORMAP_JET)#颜色变换
    plt.imshow(heatmap)
    plt.show()
    # heatmap = np.array(Image.fromarray(heatmap).convert('L'))
    superimg = heatmap*0.4+np.array(img)[:,:,::-1] #图像叠加,注意翻转通道,cv用的是bgr
    cv2.imwrite('./superimg.jpg',superimg)#保存结果
    # 可视化叠加至源图像的结果
    img_ = np.array(Image.open('./superimg.jpg').convert('RGB'))
    plt.imshow(img_)
    plt.show()


show_feature_map(img_file, conv_features)
卷积神经网络的特征图可视化秘籍——PyTorch实现 卷积神经网络的特征图可视化秘籍——PyTorch实现可视化的定义及步骤PyTorch实现以预训练好的VGG16为例进行可视化关键代码剖析如果是自行搭建的网络,如何索引网络层?继续使用序号索引不使用序号,直接索引模型内部网络层的属性 可视化的定义及步骤   这里所说的可视化是指对卷积神经网络中间层的输出特征图进行可视化,比如将网络第八层的输出特征图保存为图像显示出来。那么,我们实际上要做的事情非常简... 阅读详情

相关推荐

[Pytorch]图像在卷积神经网络里都经历了什么?卷积神经网络特征图可视化(以yolov3为例)

文章目录前言一、Yolov31.Darknet53二、特征图像可视化1.可视化函数2.特征可视化总结 前言 图像卷积神经网络(Convolution Neural Network ,CNN)是通过Kernel对图像Tensor进行卷积(废话 )从而提取出高维向量,对图像进行分类,目标识别,语义分割。写网络的过程中,不由得好奇每个层中图像被提取出了什么特征,所以简单编写了一个以Yolov3为例的特征层可视化函数。 一、Yolov3 Yolov3是一个目标识别卷积神经网络,该网络均由Convolutiona

electric_sheep的博客 5514

Pytorch特征图heat map热力图可视化

网络热力图

Lily的博客 8664

pytorch中使用TensorBoard进行可视化Loss及特征图

pytorch中使用TensorBoard进行可视化 安装导入TensorBoard 安装TensorBoard pip install tensorboard 导入TensorBoard from torch.utils.tensorboard import SummaryWriter 实例化TensorBoard writer = SummaryWriter('./logs' 可视化标量数据 训练过程中的loss,accuracy等都是标量,都可以用TensorBoard中的ad

CHEN的博客 2万+

Pytorch特征图heat map热力图

heat map可视化

重剑无锋博客 3772

pytorch可视化 resnet50特征图

参考:https://blog.youkuaiyun.com/u012435142/article/details/84711978 Python可视化resnet50所有层特征图 使用pytorch中预训练模型,在网络inference的过程中显示特征图的每个通道. 文章目录 代码 input image [1,3,224,224] conv1 [1,64,112,112] bn1_relu [1,64...

jacke121的专栏 1万+

PyTorch中的特征图可视化代码

特征图可视化是深度学习中一种常用的技术,它可以帮助我们理解神经网络中的信息流动和特征提取过程。在PyTorch中,我们可以使用一些简单的代码来实现特征图的可视化。下面是一段示例代码,它演示了如何使用PyTorch来可视化卷积神经网络的特征图。通过可视化特征图,我们可以更好地理解卷积神经网络的工作原理,并观察模型在不同层次上提取的特征。我们创建了一个8x8的子图网格,然后将每个特征图逐个绘制在子图上。此外,您还可以根据需要选择不同的预训练模型和特定的层来可视化特征图。来调整子图的布局,并使用。

AvGroovy的博客 369

Pytorch可视化神经网络热力图(CAM)

最近在做一个细粒度识别的项目,具体而言是为了做一个特定场景的车辆/车种检测,因为摄像头角度问题,大多时候只有车辆的一部分处于画面内,所以没有走检测的方式,而是尝试了一下通过各种数据增强(主要是裁剪)来指导网络对不同车种车辆的各个部位进行学习,从而指导车种分类以及有无车辆检测,最终达到监控车辆(车种)的目的。 但是因为数据集不大,尽管模型收敛很好,但心里还是没底,担心是过拟合。于是想到可以可视化一...

Custom自定义 7万+

PyTorch深度学习实战(13)——可视化神经网络中间层输出

通过可视化特征学习的结果,我们可以以直观的方式观察网络在处理数据时发生的变化,利用可视化方法能够探索中间层的输出,理解网络如何对输入数据进行编码和转换。我们可以通过观察特征图、梯度分布、降维可视化等手段来揭示网络中学到的有用模式、边缘检测、颜色分布等。在本节中,我们将探索神经网络究竟学到了什么,使用卷积神经网络 (Convolutional Neural Networks, CNN) 对包含 X 和 O 图像的数据集进行分类,并检查网络层输出了解激活结果。

盼小辉丶的博客 1万+

pytorch 提取卷积神经网络的特征图可视化

文章目录1、效果图2、完整代码3、代码说明   文章中的代码是参考基于Pytorch的特征图提取编写的代码本身很简单这里只做简单的描述。 1、效果图   先看效果图(第一张是原图,后面的都是相应的特征图,这里使用的网络是resnet50,需要注意的是下面图片显示的特征图是经过放大后的图,原图是比较小的图,因为太小不利于我们观察): 2、完整代码 import os import torch...

梦的灰色边沿... 3万+

关于可视化卷积核和特征图的深度理解

本文介绍了如何使用PyTorch和Matplotlib可视化卷积神经网络中的卷积核和特征图。代码提供了两个核心功能:1)可视化卷积核,展示模型学习到的特征提取方式;2)可视化特征图,显示输入图像经过卷积处理后的响应结果。通过这两个可视化工具,可以直观理解CNN的工作原理:浅层卷积核通常检测边缘、纹理等基础特征,而深层卷积核学习更复杂的语义特征。文中还提供了自定义模型和预训练模型(VGG16)的演示示例,帮助用户观察不同卷积核处理输入后的特征变化。这些可视化工具将抽象的卷积操作转化为可理解的图像展示,有助于分

StarPrayers.的博客 761

粒子滤波在基于误差状态量的INS/GNSS组合导航中的使用技巧-On Particle Filter based Error-State INS/GNSS Intergrated Navigation

本文面向以15维惯导(INS)误差为状态量,3维位置误差为量测量的INS/GNSS组合导航系统,​在西工大严恭敏老师的开源工具箱中PF相关库函数基础上实现基于粒子滤波(PF)的惯导误差状态量的递推估计,设计了粒子重置环节并强调了其在本特定场景下的重要性。

I33D33I的博客 1744

卷积神经网络特征图可视化:PyTorch CAM技术应用

通过PyTorch结合Grad-CAM技术,实现卷积神经网络的特征图可视化,直观展示模型关注区域。利用CUDA加速的Docker镜像简化环境配置,支持高效调试与部署,在医疗、工业等高可信场景中提升模型可解释性。

weixin_36289742的博客 339

DataHub 架构设计与核心工作原理

DataHub 是一个第三代数据目录系统,专为现代数据栈设计,支持数据发现、协作、治理和端到端可观测性。其架构采用模型优先的设计理念,注重不同工具和系统之间的互操作性。

北斗云的博客 1227

卷积神经网络CNN/Pytorch,如何理解特征图Feature map?

基础详解,卷积神经网络/Pytorch,如何理解特征图Feature map?

MengYa_Dream的博客 2万+

拜耳阵列(Bayer Pattern)以及常见彩色滤波矩阵(CFA)

本文介绍了拜耳阵列的工作原理(Bayer Pattern)以及常用的彩色滤波矩阵(CFA)

风一样的男子(quinta)的博客 7123

从DWS到设备树:MTK平台LK阶段GPIO初始化的隐秘路径与调试实战

本文深入探讨了MTK平台LK阶段GPIO初始化的完整流程,揭示了从DWS配置到设备树生成的隐秘转换路径。通过分析MT6768等平台的启动框架,提供了针对preloader到LK阶段GPIO初始化异常的实战调试方法与最佳实践,帮助开发者有效解决硬件与软件配置不匹配的常见问题。

h9j8k7l6m5n的博客 1004

显示 torch.tensor 图像卷积特征图

显示 torch.tensor图像卷积特征图1.定义特征显示函数2.定义一个卷积提取网络(博文里面使用的是keras,我这边改成了pytorch)3. 运行实例 参考博文:https://blog.youkuaiyun.com/dcrmg/article/details/81255498/ 1.定义特征显示函数 def get_row_col(num_pic): squr = num_pic ** 0.5 row = round(squr) col = row + 1 if squr - row

ruotianxia的博客 3218

Android13多路录音实战:如何用AudioRecord实现6通道音频采集(附完整代码)

本文详细解析了在Android13中使用AudioRecord API实现6通道音频采集的全流程,包括硬件兼容性检测、多通道配置、数据处理与性能优化。通过实战代码示例,帮助开发者掌握多路录音技术,适用于空间音频、环绕声录制等专业场景。

weixin_26965807的博客 480

Pytorch从入门到放弃(8)——可视化FeatureMap(特征图)

在Pytorch的实际使用中,有时我们不仅要提取模型的中间层特征,甚至有时我们需要可视化模型的中间层特征,特别是在写论文的过程中,即可以补充一下文章的篇幅,也可以虎一虎外行人,让他觉得好牛逼好高大上啊。下面开始进入主题: 其实很简单,想要哪一层的特征图直接提取那一层的输出即可,并将那一层的特征图可视化即可。首先,我们需要看一下网络都有哪些层,这个我在Pytorch从入门到放弃(3)里面就已经说明...

澎湃de家夥的博客 1万+

Ubuntu零基础入门到精通【4.4讲】:网络、蓝牙、显示器、声音与输入法设置!

🏆 本文收录于 《滚雪球学 Ubuntu》 专栏。 本专栏面向有一定计算机基础,但尚未系统学习 Linux / Ubuntu 的读者,采用“滚雪球式学习法”:先装好、再会用、再理解、再优化、再实战,带你从第一次进入 Ubuntu 桌面 / 终端开始,逐步掌握 Ubuntu 的日常使用、命令操作、软件安装、系统配置、开发环境搭建与服务器部署能力。

**My Coding Family** 1488

Apache Flink连载(一):Apache Flink是什么?

Apache Flink 是一个框架和分布式处理引擎,用于在。

qq_32020645的博客 1217

可视化特征图:python读取pth模型,并可视化特征图。亲测有效。

一、前言 我们有时候需要可视化特征图,尤其是发paper,或者对比算法等情况。而且通过可视化特征图,也可以让我们对这个整个cnn模型更加熟悉,废话不多说了。 二、效果图 下面我会给出代码,效果图分为单channel绘图和1:1通道特征图融合图。 我生成了很多特征图,我就简单的放两张吧,意思意思。 单通道特征图 ...

低吟浅笑 1万+

CloudCompare 二次开发(35)——提取多条直线

使用CloudCompare与PCL编程实现的多条空间直线的提取。

点云侠的博客 443

pytorch-MNIST手写数字识别与特征图可视化

pytorch-MNIST手写数字识别与特征图可视化1、MNIST数据集2、代码2.2 函数参数2.3 数据加载与transform2.4 训练2.5 测试3. 训练结果可视化3.1 多模型准确率汇总4. 特征图可视化4.1 原图4.2 卷积后的特征图4.3 激活函数ReLu后的特征图4.4 最大池化后的特征图4.4 最后的特征图4.5 输出 1、MNIST数据集 似乎所有程序员在学习一个新的程序语言时,都想要打印输出一个“hello world”,它代表了你入门了这门语言。那么,MNIST手写数字识别便是

redross的博客 6129

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

pytorch以Mnist为例进行中间层特征图可视化

接上一篇文章,在得到训练模型后,进行加载模型后,对模型中间层特征进行提取并输出预测精度: 方法 参考《pytorch 提取卷积神经网络的特征图可视化》 class FeatureExtractor(nn.Module): def __init__(self,submodule,extracted_layer): super(FeatureExtractor,sel...

David's Tweet 3954

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

上一篇: ICCV2017——CoupleNet: Coupling Global Structure with Local Parts for Object Detection
下一篇: Windows 配置github的SSH公钥注意事项
practical_sharp
博客等级 码龄8年 500粉丝 148原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值