MXNet模型特征提取实战-优快云博客

本文链接：https://blog.youkuaiyun.com/tinyzhao/article/details/53436037

本文介绍了如何在MXNet中从预训练模型中提取特定层的特征。通过加载模型，列出所有层，选择特征层并重建模型，最终将新模型保存，以便于后续的特征提取任务。提供了一个完整代码示例，可在GitHub上查看。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在网上下载的MXNet预训练模型常常是完整的，但是在实际应用中，我们一般只需要网络中某一层作为特征提取，这个时候就需要重建模型，使得网络最后的输出是特征。

加载预训练模型

加载模型使用model.FeedForward.load就可以了，后面的参数分别是模型的名字、迭代次数和batch大小，需要根据实际模型进行修改：

import mxnet as mx
import numpy as np

model=mx.model.FeedForward.load('model_name',1,num_batch_size=1)

找到特征层

别人训练好的模型我们常常不知道有哪些层，这时候需要列出所有的层，以便于我们找到特征层：

internals=model.symbol.get_internals()   #list all symbol
internals.list_outputs()

列出网络中所有的层，像这样：

['data',
 'conv1_weight',
 'conv1_bias',
 'conv1_output',
 'slice1_output0',
 'slice1_output1',
 '_maximum0_output',
 ……
 ……
 'slice_fc1_output0',
 'slice_fc1_output1',
 '_maximum9_output',
 'drop1_output',
 'fc2_weight',
 'fc2_bias',
 'fc2_output',
 'softmax_label',
 'softmax_output']

重建符号与模型

比如我们要把drop1_output作为输出特征：

fea_symbol=internals['drop1_output']   #choose feature layer

feature_extractor=mx.model.FeedForward(symbol=fea_symbol,numpy_batch_size=1,arg_params=model.arg_params,aux_params=model.aux_params,allow_extra_params=True)

这里的feature_extractor就是我们的新模型。

重新保存

得到的新模型当然要保存下来：

feature_extractor.save('new_model_name',1)  #save new symbol and model

模型名字要根据自己的情况做一些修改。

测试一下：

new_model=mx.model.FeedForward.load('new_model_name',1,num_batch_size=1)

完整代码

完整代码在我的GitHub上：

https://github.com/flyingzhao/RebuildModel