【Pytorch】网络中间特征图可视化—详细记录-函数可直接调用

 前言：

• 嘿~你需要知道，你的特征图在哪里！
• 该教程是从知晓特征图的位置进行特征图查看!
• 至于特征图在哪，建议Debug跟踪一下x的序列！(或者后续我看看怎么表述哈哈哈)

目录

1 特征图可视化模板

2 注意事项

⚪特征图的输入要求[B,H,W,C]

⚪特征图的维度不是256-降维

⚪f1 = f1.cpu().detach().numpy()

---

1 特征图可视化模板

• 声明：import matplotlib.pyplot as plt
• 使用方式：已经写成函数啦，直接用就行，嘿嘿！
• 语句也都备注好啦~

import matplotlib.pyplot as plt
 
# 这里的输入假定的是 [B,H,W,C] 自行确认！关于如何修改，写在后面啦~
def Show_Feature(feature_map):
    # 1 将传入的特征图给到f1，os:单纯为了好记，可以直接用feature_map
    f1= feature_map  
 
    # 2 确认特征图的shape.[B,H,W,C]
    print(f1.shape)      
 
    # 3 预期希望的特征图shape [B,C,H,W]
    #   明显特征图shape是[B,H,W,C],利用permute进行调整
    f1 = f1.permute(0,3, 1, 2)
 
    # 4 确认特征图的shape [B,C,H,W]
    print(f1.shape)
 
    # 5 特征图向量从cuda转换到cpu，numpy格式
    #   自行检查特征向量位置，亦可根据报错进行修改
    #   目的 torch.Size([B,C,H,W]) 转换成 （B,C,H,W）
    #   可尝试  f1.cpu().numpy()
    f1 = f1.cpu().detach().numpy()
 
    # 6 确认特征图的shape （B,C,H,W）
    print(f1.shape)    
  
    # 7 去除B （C,H,W）
    f1 = f1.squeeze(0)
 
    # 8 确认特征图的shape （C,H,W）
    print(f1.shape)
 
    # 9 开始规范作图
    # 特征图的数量，就是维度啦，图像通常256维，超过的需要降维！
    f1_map_num = f1.shape[0]
    # 图像行显示数量
    row_num = 16 
    # 绘制图像
    plt.figure()
    #通过遍历的方式，将通道的tensor拿出
    for index in range(1, f1_map_num + 1):
        plt.subplot(row_num, row_num, index)
        plt.imshow(f1[index - 1], cmap='gray')      
        plt.axis('off')
        plt.imsave( 'feature_map_save/'+str(index) + ".png", f1[index - 1])            
    plt.show()
    return 0
 
# 特征图位置直接调用！x：[B,H,W,C]
Show_Feature(x)

•  os：以上代码主要为了详细说明，查看print语句可自行删除。

2 注意事项

实际上，看代码中的解读就很容易发现一些注意点！

⚪特征图的输入要求[B,H,W,C]

有时后中间特征会以[B,HW相关变动,C]，也就是没有H,W清晰的分开，此时，需要追寻中间数据是怎么得到的，还原一下！

• 原 x[1,3,384,384]
• 现 x[1,9216,256]
• 通道数3------256
• 384，384-----9216
• dubug可以发现9216 是图像降采样4x后 96*96=926
• 分析完reshape就行啦

x = x.reshape(1,96,96,256) 
Show_Feature(x)

⚪特征图的维度不是256-降维

• 原 x[1,3,384,384]
• 现 x[1,144,512]
• 通道数3------512
• 384，384-----144
• dubug可以发现144 是图像降采样后 12*12=144
• 降维+ reshape 
• 注意：输入输出要求格式，以及代码语句！

# 降维放在类self.xxx的位置
# 注意前两项就是维度 希望512变成256
self.fe_rn =nn.Conv2d(512, 256,kernel_size=3,stride=1,padding=1,bias=False,)
 
# reshape [1,144,512]
x = x.reshape(1,12,12,512)
# 降维的格式，做点交换
x = x.permute(0,3,1,2) 
# 降维
x = self.fe_rn(x)
# 特征可视化格式，做点交换
x = x.permute(0,2,3,1)
Show_Feature(x)

⚪f1 = f1.cpu().detach().numpy()

实际上就是涉及numpy和tensor的转换问题：

[推荐学习]TypeError: can‘t convert CUDA tensor to numpy. Use Tensor.cpu() to copy the tensor to host memory..._将tensor从cuda转为cpu