自适应型网站建设,网站认证值不值得做,服务器建设一个自己的网站,c2c模式成功案例分析这篇是我对哔哩哔哩up主 霹雳吧啦Wz 的视频的文字版学习笔记 感谢他对知识的分享 1和4是之前讲过的alexnet和resnet模型 2是分析中间层特征矩阵的脚本 3是查看卷积核参数的脚本 1设置预处理方法 和图像训练的时候用的预处理方法保持一致 2实例化模型 3载入之前的模型参数 4载入…这篇是我对哔哩哔哩up主 霹雳吧啦Wz 的视频的文字版学习笔记 感谢他对知识的分享 1和4是之前讲过的alexnet和resnet模型 2是分析中间层特征矩阵的脚本 3是查看卷积核参数的脚本 1设置预处理方法 和图像训练的时候用的预处理方法保持一致 2实例化模型 3载入之前的模型参数 4载入一张图片 5对图片进行预处理 6增加一个batch维度 7输入模型进行正向传播 如果print model可以看到模型信息 模型虽然用的是alexnet但是关于正向传播的代码做了一些修改 因为我们目的是得到中间层的特征矩阵。 希望能遍历第一、第二、第三个卷积层并得到特征矩阵。 首先通过一个循环遍历我们features的层结构通过named_children这个方法遍历features下面的所有层结构。 对于每一个层结构都用xmodule(x)以实现正向传播的过程 回到analyze_feature_map.py squeeze一下因为我们输入只有一个图片所以我们不需要N这个维度 然后transpose一下通道顺序 im[:,:,i]通过切片的方法获取每一个channel的特征矩阵 cmapgray表示用灰度图的方法来表示 如果不加这个那默认就会用蓝色和绿色来替代灰度图的黑色和白色来展示 这就是我们第一个卷积层输出的特征矩阵的前12个通道的特征图 可以和原图对比一下 卷积层2所输出的特征矩阵 可以看到有的通道是纯黑的也就是说有的卷积核是没有起到任何作用的就是没有学到东西 卷积层越往后抽象程度越高 如果不加cmapgray 接下来我们看一下如何查看网络卷积层的卷积核的信息 我们其实可以直接通过torch.load载入模型参数返回的是一个dict字典形式key是层名称value就是该层的训练信息。 state_dict() 来获取模型中所有可训练参数的字典keys()获取所有具有参数的层结构的名称 只有卷积层有训练参数relu和maxpool2d是没有训练参数的 卷积核的个数对应输出矩阵的深度 卷积核的通道数对应输入矩阵的深度 这一句是为了排除编程结构的一些不需要的信息 另外如果B站视频分辨率不太好感觉跟全屏时的清晰度差很多但是不全屏的话就截图都截不清楚那么就拖拽网页页面左右划拉一下试试就会变清晰
