2.4 KiB

Raw Blame History

特征图可视化指南

一、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。

二、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resnet.py从模型库拷贝到当前目录下，并下载预训练模型预训练模型, 复制resnet50的模型链接，使用下列命令下载并解压预训练模型。

wget The Link for Pretrained Model
tar -xf Downloaded Pretrained Model

以resnet50为例：

wget https://paddle-imagenet-models-name.bj.bcebos.com/ResNet50_pretrained.tar
tar -xf ResNet50_pretrained.tar

三、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fm_vis.py中修改模型的名字。

在ResNet50的__init__函数中定义self.fm

self.fm = None

在ResNet50的forward函数中指定特征图

def forward(self, inputs):
    y = self.conv(inputs)
    self.fm = y
    y = self.pool2d_max(y)
    for bottleneck_block in self.bottleneck_block_list:
        y = bottleneck_block(y)
    y = self.pool2d_avg(y)
    y = fluid.layers.reshape(y, shape=[-1, self.pool2d_avg_output])
    y = self.out(y)
    return y, self.fm

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 \
                                                --save whether to save \
                                                --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 ./resnet50_vd/model
-p：权重文件路径，如 ./ResNet50_pretrained/
--show：是否展示图片，默认值 False
--save_path：保存路径，如：./tools/
--use_gpu：是否使用 GPU 预测，默认值：True

四、结果

输入图片：

输出特征图：

2.4 KiB Raw Blame History Unescape Escape