3.1 KiB

Raw Blame History

特征图可视化指南

1. 概述

特征图是输入图片在卷积网络中的特征表达，对特征图的研究可以有利于我们对于模型的理解与设计，所以基于动态图我们使用本工具来可视化特征图。

2. 准备工作

首先需要选定研究的模型，本文设定 ResNet50 作为研究模型，将模型组网代码resnet.py拷贝到目录下，并下载ResNet50 预训练模型，或使用以下命令下载。

wget https://paddle-imagenet-models-name.bj.bcebos.com/dygraph/ResNet50_pretrained.pdparams

其他模型网络结构代码及预训练模型请自行下载：模型库，预训练模型。

3. 修改模型

找到我们所需要的特征图位置，设置 self.fm 将其 fetch 出来，本文以 resnet50 中的 stem 层之后的特征图为例。

在 ResNet50 的 forward 函数中指定要可视化的特征图

    def forward(self, x):
        with paddle.static.amp.fp16_guard():
            if self.data_format == "NHWC":
                x = paddle.transpose(x, [0, 2, 3, 1])
                x.stop_gradient = True
            x = self.stem(x)
            fm = x
            x = self.max_pool(x)
            x = self.blocks(x)
            x = self.avg_pool(x)
            x = self.flatten(x)
            x = self.fc(x)
        return x, fm

然后修改代码fm_vis.py，引入 ResNet50，实例化 net 对象：

from resnet import ResNet50
net = ResNet50()

最后执行函数

python tools/feature_maps_visualization/fm_vis.py \
    -i the image you want to test \
    -c channel_num -p pretrained model \
    --show whether to show \
    --interpolation interpolation method\
    --save_path where to save \
    --use_gpu whether to use gpu

参数说明：

-i：待预测的图片文件路径，如 ./test.jpeg
-c：特征图维度，如 5
-p：权重文件路径，如 ./ResNet50_pretrained
--interpolation: 图像插值方式，默认值 1
--save_path：保存路径，如：./tools/
--use_gpu：是否使用 GPU 预测，默认值：True

4. 结果

输入图片：

运行下面的特征图可视化脚本

python tools/feature_maps_visualization/fm_vis.py \
    -i ./docs/images/feature_maps/feature_visualization_input.jpg \
    -c 5 \
    -p pretrained/ResNet50_pretrained/  \
    --show=True \
    --interpolation=1 \
    --save_path="./output.png" \
    --use_gpu=False

输出特征图保存为 output.png，如下所示。

3.1 KiB Raw Blame History Unescape Escape