AlexNet特征图可视化

直接丢代码，我运行过了一遍没有报错：

# 引入alexnet模型及权重
from torchvision.models import alexnet, AlexNet_Weights

# 初始化模型
model = alexnet(weights=AlexNet_Weights.DEFAULT)

# 输出模型信息
# print(model)

# 模型的信息如下
# 冒号左边的表示模块名称、右边的表示具体的模块结构

import torch
from torchvision import transforms
from PIL import Image

# 加载原图片
img = Image.open("D:/BaiduNetdiskDownload/LasHeR_Divided_TraningSet&TestingSet/TrainingSet/trainingset/2up/visible/000099.jpg").convert('RGB')
# print("图片原尺寸：", img.size)  # 图片原尺寸： (952, 720)

# 定义图像处理过程
transforms = transforms.Compose([
    # 将图片缩放到224*224
    transforms.Resize(224),
    # 转换成tensor，并且将图片归一化
    transforms.ToTensor()
])

# 将图片进行处理
img = transforms(img)
# print("图片处理后的尺寸：", img.size())  # 图片处理后的尺寸： torch.Size([3, 224, 224])

# 将单张图片转换成batch形式，这样才符合网络的输入形式
img = torch.unsqueeze(img, dim=0)
# print("图片处理后的尺寸：", img.size())  # 图片处理后的尺寸： torch.Size([1, 3, 224, 224])

# 测试前向传播是否正常（可选）
output = model(img)
# 因为alexnet默认是1000分类，所以输出的维度是[1, 1000]
# print("网络输出大小：", output.size())  # 网络输出大小：torch.Size([1, 1000])

# 设置需要获取哪些层的输出特征，对应的是AlexNet网络结构中(features)层中的5个卷积层的名字
# 忘记网络结构的，可往上翻一翻
layers_name = ["0", "3", "6", "8", "10"]


# 定义一个函数，用于获取某些层次中的特征图信息
# 参数依次为：模型、输入x、需要获取输出特征的层次名称
def receive_feature_map(model, x, layers_name):
    # 存储需要输出的特征矩阵信息
    outputs = []
    for name, module in model.features.named_children():
        # 依次进行前向传播，计算
        x = module(x)
        # 需要提取输出的卷积层
        if name in layers_name:
            # 将本层的输出结果添加到outputs中
            outputs.append(x)
    return outputs


# 调用函数，得到每一层的特征图输出数据
outputs = receive_feature_map(model, img, layers_name)


import matplotlib.pyplot as plt
from torch.utils.tensorboard import SummaryWriter

# 使用tensorboard记录特征图
writer = SummaryWriter("logs")

# 绘制每一层卷积层输出的特征图
for index, feature_maps in enumerate(outputs):
    # 每一层的feature_maps的大小为：[N, C, W, H]，分别表示batch、通道数、宽、高
    # 由于这里只有一张图片，所以通过此方法，去掉batch，[N, C, W, H] -> [C, W, H]
    img = torch.squeeze(feature_maps)
    # 将tensor转换成numpy类型
    img = img.detach().numpy()
    # 获取特征图的通道数
    channel_num = img.shape[0]
    # 网络中每一层的输出特征，最多绘制12张特征图
    num = channel_num if channel_num < 12 else 12
    fig = plt.figure()
    # 循环绘制
    for i in range(num):
        plt.subplot(3, 4, i + 1)
        # 依次绘制其中的一个通道，img的size为：[C, W, H]
        plt.imshow(img[i, :, :])
    title = "conv{}".format(index)
    # 设置每一层特征图的标题
    plt.title(title)
    plt.show()
    # 将特征图记录到tensorboard中
    writer.add_figure(title, fig, index)

这个博客写得很好，大家可以借鉴学习一下：
深度学习之训练过程中特征图的可视化