【Pytorch】获取网络的任意一层的输出

一、卷积和反卷积的计算

卷积层特征图计算

class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, groups=1, bias=True)

feature-map height :

feature-map width :

(stride[0]表示横向移动步长],stride[1]表示纵向移动步长])

反卷积层特征图计算

class torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, bias=True)  

二、获取网络的任意一层的输出

1.如果一个net中，是一个Sequential直接包起来，首先直接print（net ）即可，然后看到类似：

(net1): Sequential(
  (0): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(2, 2), dilation=(2, 2))
  (1): ReLU()
  (2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(2, 2), dilation=(2, 2))
  (3): ReLU()
  (4): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(2, 2), dilation=(2, 2))
  (5): ReLU()
  (6): Conv2d(512, 256, kernel_size=(3, 3), stride=(1, 1), padding=(2, 2), dilation=(2, 2))
  (7): ReLU()
  (8): Conv2d(256, 128, kernel_size=(3, 3), stride=(1, 1), padding=(2, 2), dilation=(2, 2))
  (9): ReLU()
  (10): Conv2d(128, 64, kernel_size=(3, 3), stride=(1, 1), padding=(2, 2), dilation=(2, 2))
  (11): ReLU()
  (12): Conv2d(64, 1, kernel_size=(1, 1), stride=(1, 1))
)

其中 net1是属性，在定义net的时候，net1用sequential定义了。我们想要拿到net1的第三层层直接 net.net1[2], 因为net1是一个list, 因此这里用[2].

2.用过个sequential来弄：

import torch
from torch.autograd import Variable
import torch.nn

class my_net(nn.Module):
    def __init__(self):
        super(