一、获取Tensor

        神经网络在运算过程中实际上是以Tensor为格式进行计算的我们只需稍稍改动一下forward函数即可从运算过程中抓到Tensor

        代码如下

base_feature = self.extractor.forward(x)    #正常的前向传递
feature=base_feature.detach()               #抓取tensor
feature_imshow(feature)                     #展示函数关键代码

        通过将过程张量赋值给一个临时变量即可将其从前向传递中分离出来且不影响原来的前向传递函数这种方法远比复杂的hook函数更实用。

        将Tensor数据取到后到可视化还需要进行以下几步

                ①类型转换

                        如果网络是在cuda中进行运算则需要将提取到的tensor转换为cpu类型才能进行接下来的运算

inp = inp.cpu()        #类型转换

                ②张量拆解

                        网络中的张量一般是高维度的需要对其进行降维一般降至两维即可进行显示。这里以Faster R-CNN中的resnet50特征提取网络为例输出其特征图尺寸为[1,1024,68,38]可以很明显的看出第一维实际上是batch_size在图像显示中不需要可以直接去除第二维1024则是网络提取到的特征图张数故可以对第二维进行遍历而第3,4维是特征图的尺寸直接显示即可。

inp=inp.squeeze(0)    #除去第一维

for i in range(len(inp)):
    plt.imshow(transforms.ToPILImage()(inp[i]))    #遍历第二维并将其转换为图像

                ③图像展示

                        选取你需要的特征图像进行保存或使用plt进展示

                完整的展示函数如下

def feature_imshow(inp, title=None):
    inp = inp.cpu()
    inp=inp.squeeze(0)
    print(inp.shape)
    plt.figure(figsize=(12, 7))
    for i in range(len(inp)):
        plt.subplot(4, 5, i+1)    #第一二个参数为图像个数第三参数为图像位置
        plt.imshow(transforms.ToPILImage()(inp[i]))
        i+=1
    plt.show()
    plt.pause(0.001)