基于pytorch的图像检索,pytorch读取图像

2022-08-26 06:49:50 分类：python 阅读()

　　基于pytorch的图像检索,pytorch读取图像

　　深度学习用于分类时，有时需要提取中间的特征图。下面这篇文章主要介绍Python基于Pytorch的特征图提取的相关信息，有需要的朋友可以参考一下。

　　00-1010简单介绍单幅图片的提取，神经网络的构建，特征图的提取，完整代码摘要的可视化呈现

　　

目录

　　为了方便地了解卷积神经网络的运行过程，需要直观地显示卷积神经网络的运行结果。

　　大致可以分为以下几个步骤：

　　单幅图像的提取、神经网络的构建、特征图的提取和可视化显示

　　

简述

　　根据目标要求，需要对单幅图片进行卷积运算，但是Pytorch中的torch.utils.data.DataLoader类主要用于读取数据，所以我们需要编写一个读取单幅图片的程序。

　　def获取图片(图片目录，转换):

　　该算法实现了读取图片并将其类型转换为张量。

　　tmp=[]

　　img=skim age . io . im read(picture _ dir)

　　tmp.append

　　img=skimage.io.imread(。/picture/4 . jpg’)

　　tmp.append

　　img 256=[skim age . transform . resize(img，(256，256)) for img in tmp]

　　img256=np.asarray(img256)

　　img 256=img 256 . as type(NP . float 32)

　　返回转换(img256[0])

　　注意：神经网络的输入是四维形式的，我们返回的图片是三维形式的，所以需要用unsqueeze()插入一个维度。

　　

单个图片的提取

　　网络是建立在LeNet上的，但是为了方便显示，里面的参数是按照2562563修改的。

　　该网络的结构如下：

　　LeNet类(nn。模块):

　　此类继承torch.nn.Modul类。

　　构建LeNet神经网络模型

　　def __init__(self):

　　超级(LeNet，self)。__init__()

　　#神经网络的第一层包括卷积层、线性激活函数和池层。

　　self.conv1=nn。顺序(

　　nn。Conv2d(3，32，5，1，2)，# input_size=(3*256*256)，padding=2

　　nn。ReLU()，# input_size=(32*256*256)

　　nn。MaxPool2d(内核大小=2，步幅=2)，#输出大小=(32*128*128)

　　)

　　#神经网络的第二层包括卷积层、线性激活函数和池层。

　　self.conv2=nn。顺序(

　　nn。Conv2d(32，64，5，1，2)，# input_size=(32*128*128)

　　nn。ReLU()，# input_size=(64*128*128)

　　nn。MaxPool2d(2，2) # output_size=(64*64*64)

　　)

　　#全连接层(将神经网络神经元的多维输出转换为一维)

　　self.fc1=nn。顺序(

　　Nn。线性(64 * 64 * 64，128)，#为线性变换

　　Nn。ReLU() #用于ReLU激活

　　)

　　#输出层(处理全连接层的一维输出)

　　self.fc2=nn。顺序(

　　nn。线性(128，84)，

　　 nn.ReLU()

　　 )

　　 # 将输出层的数据进行分类(输出预测值)

　　 self.fc3 = nn.Linear(84, 62)

　　 # 定义前向传播过程，输入为x

　　 def forward(self, x):

　　 x = self.conv1(x)

　　 x = self.conv2(x)

　　 # nn.Linear()的输入输出都是维度为一的值，所以要把多维度的tensor展平成一维

　　 x = x.view(x.size()[0], -1)

　　 x = self.fc1(x)

　　 x = self.fc2(x)

　　 x = self.fc3(x)

　　 return x

　　

　　

　　

特征图的提取

　　直接上代码：

　　

class FeatureExtractor(nn.Module):
　　 def __init__(self, submodule, extracted_layers):
　　 super(FeatureExtractor, self).__init__()
　　 self.submodule = submodule
　　 self.extracted_layers = extracted_layers
　　 def forward(self, x):
　　 outputs = []
　　 for name, module in self.submodule._modules.items():
　　 # 目前不展示全连接层
　　 if "fc" in name: 
　　 x = x.view(x.size(0), -1)
　　 print(module)
　　 x = module(x)
　　 print(name)
　　 if name in self.extracted_layers:
　　 outputs.append(x)
　　 return outputs
　　

　　

　　

可视化展示

　　可视化展示使用matplotlib

　　代码如下：

　　

 # 特征输出可视化
　　 for i in range(32):
　　 ax = plt.subplot(6, 6, i + 1)
　　 ax.set_title(Feature {}.format(i))
　　 ax.axis(off)
　　 plt.imshow(x[0].data.numpy()[0,i,:,:],cmap=jet)
　　 plt.plot()
　　

　　

　　

完整代码

　　在此贴上完整代码

　　

import os
　　import torch
　　import torchvision as tv
　　import torchvision.transforms as transforms
　　import torch.nn as nn
　　import torch.optim as optim
　　import argparse
　　import skimage.data
　　import skimage.io
　　import skimage.transform
　　import numpy as np
　　import matplotlib.pyplot as plt
　　# 定义是否使用GPU
　　device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
　　# Load training and testing datasets.
　　pic_dir = ./picture/3.jpg
　　# 定义数据预处理方式(将输入的类似numpy中arrary形式的数据转化为pytorch中的张量（tensor）)
　　transform = transforms.ToTensor()
　　def get_picture(picture_dir, transform):
　　 该算法实现了读取图片，并将其类型转化为Tensor
　　 img = skimage.io.imread(picture_dir)
　　 img256 = skimage.transform.resize(img, (256, 256))
　　 img256 = np.asarray(img256)
　　 img256 = img256.astype(np.float32)
　　 return transform(img256)
　　def get_picture_rgb(picture_dir):
　　 该函数实现了显示图片的RGB三通道颜色
　　 img = skimage.io.imread(picture_dir)
　　 img256 = skimage.transform.resize(img, (256, 256))
　　 skimage.io.imsave(./picture/4.jpg,img256)
　　 # 取单一通道值显示
　　 # for i in range(3):
　　 # img = img256[:,:,i]
　　 # ax = plt.subplot(1, 3, i + 1)
　　 # ax.set_title(Feature {}.format(i))
　　 # ax.axis(off)
　　 # plt.imshow(img)
　　 # r = img256.copy()
　　 # r[:,:,0:2]=0
　　 # ax = plt.subplot(1, 4, 1)
　　 # ax.set_title(B Channel)
　　 # # ax.axis(off)
　　 # plt.imshow(r)
　　 # g = img256.copy()
　　 # g[:,:,0]=0
　　 # g[:,:,2]=0
　　 # ax = plt.subplot(1, 4, 2)
　　 # ax.set_title(G Channel)
　　 # # ax.axis(off)
　　 # plt.imshow(g)
　　 # b = img256.copy()
　　 # b[:,:,1:3]=0
　　 # ax = plt.subplot(1, 4, 3)
　　 # ax.set_title(R Channel)
　　 # # ax.axis(off)
　　 # plt.imshow(b)
　　 # img = img256.copy()
　　 # ax = plt.subplot(1, 4, 4)
　　 # ax.set_title(image)
　　 # # ax.axis(off)
　　 # plt.imshow(img)
　　 img = img256.copy()
　　 ax = plt.subplot()
　　 ax.set_title(image)
　　 # ax.axis(off)
　　 plt.imshow(img)
　　 plt.show()
　　class LeNet(nn.Module):
　　 该类继承了torch.nn.Modul类
　　 构建LeNet神经网络模型
　　 def __init__(self):
　　 super(LeNet, self).__init__()
　　 # 第一层神经网络，包括卷积层、线性激活函数、池化层
　　 self.conv1 = nn.Sequential( 
　　 nn.Conv2d(3, 32, 5, 1, 2), # input_size=(3*256*256)，padding=2
　　 nn.ReLU(), # input_size=(32*256*256)
　　 nn.MaxPool2d(kernel_size=2, stride=2), # output_size=(32*128*128)
　　 )
　　 # 第二层神经网络，包括卷积层、线性激活函数、池化层
　　 self.conv2 = nn.Sequential(
　　 nn.Conv2d(32, 64, 5, 1, 2), # input_size=(32*128*128)
　　 nn.ReLU(), # input_size=(64*128*128)
　　 nn.MaxPool2d(2, 2) # output_size=(64*64*64)
　　 )
　　 # 全连接层(将神经网络的神经元的多维输出转化为一维)
　　 self.fc1 = nn.Sequential(
　　 nn.Linear(64 * 64 * 64, 128), # 进行线性变换
　　 nn.ReLU() # 进行ReLu激活
　　 )
　　 # 输出层(将全连接层的一维输出进行处理)
　　 self.fc2 = nn.Sequential(
　　 nn.Linear(128, 84),
　　 nn.ReLU()
　　 )
　　 # 将输出层的数据进行分类(输出预测值)
　　 self.fc3 = nn.Linear(84, 62)
　　 # 定义前向传播过程，输入为x
　　 def forward(self, x):
　　 x = self.conv1(x)
　　 x = self.conv2(x)
　　 # nn.Linear()的输入输出都是维度为一的值，所以要把多维度的tensor展平成一维
　　 x = x.view(x.size()[0], -1)
　　 x = self.fc1(x)
　　 x = self.fc2(x)
　　 x = self.fc3(x)
　　 return x
　　# 中间特征提取
　　class FeatureExtractor(nn.Module):
　　 def __init__(self, submodule, extracted_layers):
　　 super(FeatureExtractor, self).__init__()
　　 self.submodule = submodule
　　 self.extracted_layers = extracted_layers
　　 def forward(self, x):
　　 outputs = []
　　 print(self.submodule._modules.items())
　　 for name, module in self.submodule._modules.items():
　　 if "fc" in name: 
　　 print(name)
　　 x = x.view(x.size(0), -1)
　　 print(module)
　　 x = module(x)
　　 print(name)
　　 if name in self.extracted_layers:
　　 outputs.append(x)
　　 return outputs
　　def get_feature():
　　 # 输入数据
　　 img = get_picture(pic_dir, transform)
　　 # 插入维度
　　 img = img.unsqueeze(0)
　　 img = img.to(device)
　　 # 特征输出
　　 net = LeNet().to(device)
　　 # net.load_state_dict(torch.load(./model/net_050.pth))
　　 exact_list = ["conv1"，"conv2"]
　　 myexactor = FeatureExtractor(net, exact_list)
　　 x = myexactor(img)
　　 # 特征输出可视化
　　 for i in range(32):
　　 ax = plt.subplot(6, 6, i + 1)
　　 ax.set_title(Feature {}.format(i))
　　 ax.axis(off)
　　 plt.imshow(x[0].data.numpy()[0,i,:,:],cmap=jet)
　　 plt.show()
　　# 训练
　　if __name__ == "__main__":
　　 get_picture_rgb(pic_dir)
　　 # get_feature()
　　

　　

　　

总结

　　到此这篇关于Python基于Pytorch的特征图提取的文章就介绍到这了,更多相关Pytorch特征图提取内容请搜索盛行IT软件开发工作室以前的文章或继续浏览下面的相关文章希望大家以后多多支持盛行IT软件开发工作室！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。

标签： python

相关文章阅读

  • python命令函数 python函数教学
  • python简单函数编程 如何用python编写函数
  • python随机函数种子 python随机数种子怎么用
  • python画兔子代码，python语言绘制小兔子源代码怎么运行
  • range函数是从0开始吗,python中range(0)
  • python多线程坑,python多线程阻塞
  • python怎么画k线,python绘制k线及均线
  • python调用安卓so库,python .so文件
  • python赋值运算符-=的作用是,在Python中关系运算符中,表示“不等于”
  • python语言是一种脚本编程语言,python属于脚本语言还是编程语言
  • python想获取字符串str的长度,python str转char
  • python从键盘不断输入整数,python控制键盘输入数字
  • python输入姓名输出姓,python输入名字输出你好代码
  • python怎么实现黑客攻击,python网络攻防
  • python@property,python中的property函数
    • 留言与评论（共有 条评论）
       
    验证码：