PyTorch - Estrazione di feature nei conventi

Le reti neurali convoluzionali includono una caratteristica primaria, extraction. I passaggi seguenti vengono utilizzati per implementare l'estrazione delle funzionalità della rete neurale convoluzionale.

Passo 1

Importare i rispettivi modelli per creare il modello di estrazione delle feature con "PyTorch".

import torch
import torch.nn as nn
from torchvision import models

Passo 2

Creare una classe di estrattore di funzionalità che può essere richiamata come e quando necessario.

class Feature_extractor(nn.module):
   def forward(self, input):
      self.feature = input.clone()
      return input
new_net = nn.Sequential().cuda() # the new network
target_layers = [conv_1, conv_2, conv_4] # layers you want to extract`
i = 1
for layer in list(cnn):
   if isinstance(layer,nn.Conv2d):
      name = "conv_"+str(i)
      art_net.add_module(name,layer)
      if name in target_layers:
         new_net.add_module("extractor_"+str(i),Feature_extractor())
      i+=1
   if isinstance(layer,nn.ReLU):
      name = "relu_"+str(i)
      new_net.add_module(name,layer)
   if isinstance(layer,nn.MaxPool2d):
      name = "pool_"+str(i)
      new_net.add_module(name,layer)
new_net.forward(your_image)
print (new_net.extractor_3.feature)