第十九章 解读利用pytorch可视化特征图以及卷积核参数(工具)

介绍一种可视化feaature maps以及kernel weights的方法

推荐可视化工具TensorBoard：可以查看整个计算图的数据流向，保存再训练过程中的损失信息，准确率信息等

学习视频：

使用pytorch查看中间层特征矩阵以及卷积核参数_哔哩哔哩_bilibili

代码下载：

deep-learning-for-image-processing/pytorch_classification/analyze_weights_featuremap at master · WZMIAOMIAO/deep-learning-for-image-processing · GitHub

一、所需文件

AlexNet.pth 和 resNet34.pth 文件通过之前的训练获得

二、操作步骤

AlexNet 的中间层特征矩阵

1.在analyze_feature_map.py 文件的 out_put 处设置断点并debug，查看print model所打印的信息

2. 打印两个层结构：第一个是features，第二个是classifier，与 alexnet_model.py文件中的所定义的层结构一一对应，如下图所示：

3. 在 alexnet_model.py 文件的 for name, module in self.features.named_children(): 行设置断点并单步运行

得到name = 0 和卷积层conv 2d，后面以此类推

4. 让程序接着运行到for循环处

查看out_put，是一个list，一共有三层，分别对应第一个，第二个，第三个卷积层的输出特征矩阵

5.让程序执行完

（1）输出为第一个卷积层 所输出的特征矩阵的前12个通道的特征图

通过特征图的明暗程度来理解卷积层一所关注的一些信息，亮度越高的地方就是卷积层越感兴趣的地方。

原图如下：

（2）卷积层二所输出的特征矩阵：抽象程度越来越高，有些卷积核没有起到作用

卷积层三 所输出的特征矩阵

（3）去掉cmap='gray’之后的颜色为蓝绿色

（4）如果想看更多信息，则在 alexnet_model.py 的向前传播过程中进行修改

假如要看全连接层的图像，则也要将输入的图像通过features层结构，再通过全连接层才能查看

resnet34 的中间层特征矩阵

1.修改代码并再下图处设置断点debug

可以再终端看到resnet的层结构

2.运行结果如图

明显resnet学习到的信息比 alexnet更多

有两个原因：resnet确实比alexnet更加优秀

​ resnet使用迁移学习的方法，并且预训练数据集是使用 imagenet 数据集进行训练的

3.layer1所输出的特征矩阵，明显比alexnet好很多，每一个特征层都有输出，都是有用的

AlexNet 的卷积核参数

1. 打开 analyze_kernel_weight.py 文件

这里可以不用实例化模型，直接通过 torch.load 函数载入训练权重，因为通过 torch.load 载入后，就是一个字典类型，它的key就代表每个层结构的名称，对应的value就是每层的训练信息

2. 通过 model.state_dict 函数获取模型中所有的可训练参数的字典，再通过keys方法获取所有的具有参数的层结构的名称

单步运行看一下weights_keys

如下图所示，weights_keys 是一个有序的keys，按照正向传播过程的顺序进行保存的

命名规则：

​ feature0，feature3，feature6，feature8，feature10等卷积层才有训练参数

​ 激活函数和最大池化下采样是没有激活函数的

3.接下来遍历 weights_keys

model.state_dict 函数获取模型中所有的可训练参数的字典信息，传入对应的key就得到了参数信息，再通过numpy方法将权值信息转化为numpy格式，方便分析

注意：卷积核通道的排列顺序是

​ kernel_number 卷积核个数，对应的输出特征矩阵的深度

​ kernel_channel 卷积核深度，对应的输入特征矩阵的深度

​ kernel_height, kernel_width，卷积核的高度和宽度

4. 获得信息

    # k = weight_t[0, :, :, :]  # 通过切片的方式获得信息

 

    # calculate mean, std, min, max    对所有卷积核的信息进行计算
    weight_mean = weight_t.mean()      #均值
    weight_std = weight_t.std(ddof=1)  #标准差
    weight_min = weight_t.min()        #最小值
    weight_max = weight_t.max()        #最大值

卷积层一对应的卷积核值的分布

卷积层一对应的偏置的分布

后面的都是一样的，不做展示

ResNet 的卷积核参数

1.第一个卷积层的分布

2.bn层的分布，使用bn时就不用使用偏置

weight就是下图的 参数

bias对应上图的 参数

mean对应的是均值 ，是统计得到的

方差 也是统计得到的

后面的输出都是一样的结构。