pytorch构建简单图片特征提取模型

最新推荐文章于 2025-05-30 09:17:58 发布
最新推荐文章于 2025-05-30 09:17:58 发布
阅读量1.4k 收藏 29
点赞数 38
CC 4.0 BY-SA版权
文章标签： pytorch 人工智能 python opencv 深度学习 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/pinta666/article/details/142829914 
import torch
from torch import nn

torch.manual_seed(0)    # 设置随机数种子确保实验可重复(其实就是设置pytorch里面的参数按照同一个随机数序列取值)


class Mynet(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv = nn.Sequential(
            # output_size=(input_size + 2×padding−kernel_size+1)
            # 保持原形状宽高不变: padding=(kernel_size-1)//2
            # [batch_size, channels:3, height:640, width:640]的图像作为输入
            nn.Conv2d(3, 16, 3, 1, 1),
            # [batch_size, channels:16, height:640, width:640]
            nn.ReLU(True),
            # Relu激活
            nn.Conv2d(16, 32, 5, 1, 2),
            # [batch_size, channels:32, height:640, width:640]
            nn.ReLU(True),
            nn.Conv2d(32, 16, 1, 1, 0),
            # 1*1卷积核进行通道整合
            # [batch_size, channels:16, height:640, width:640]
            nn.ReLU(True),
            # 最大池化层2*2卷积核步长为2(向右向下都是2)
            nn.MaxPool2d(2, 2),
            # [batch_size, channels:16, height:320, width:320]
            nn.ReLU(True),
            nn.MaxPool2d(2, 2),
            # [batch_size, channels:16, height:160, width:160]
            nn.ReLU(True),
            nn.Conv2d(16, 8, 1, 1, 0),
            # [batch_size, channels:8, height:160, width:160]
            nn.ReLU(True),
            # 平均池化层2*2卷积核步长为2(向右向下都是2)
            nn.AvgPool2d(2, 2),
            # [batch_size, channels:8, height:80, width:80]
            nn.ReLU(True),
        )
        # 展开后为[batch_size, num=8*80*80=51200]
        self.linear = nn.Sequential(
            nn.Linear(51200, 1600),
            # 全连接层[batch_size, num:51200]->[batch_size, num:1600]
            nn.ReLU(True),
            # Relu激活
            nn.Linear(1600, 50),
            # 全连接层[batch_size, num:1600]->[batch_size, num:50]
        )

    def forward(self, x):
        x = self.conv(x)
        # 图片卷积: 由[batch_size, channels:3, height:640, width:640]到[batch_size, channels:8, height:80, width:80]
        x = x.view(x.shape[0], -1)
        # 将除批次信息之外的通道展开由[batch_size, channels:3, height:640, width:640]到[batch_size, num:51200]
        output = self.linear(x)
        # 特征输出[batch_size, num:50]
        return output


if __name__ == '__main__':
    model = Mynet()
    input_tensor = torch.randn(2, 3, 640, 640)  # [batch_size, channels, height, width]
    output = model(input_tensor)
    print(output.shape)
    print(output)

输出如下

C:\ProgramData\anaconda3\envs\test\python.exe D:\testpy\t3\mynet.py 
torch.Size([2, 50])
tensor([[ 0.0233, -0.0229,  0.0055, -0.0183, -0.0030, -0.0113,  0.0067, -0.0149,
         -0.0029, -0.0306,  0.0057, -0.0313, -0.0044,  0.0331, -0.0396, -0.0164,
         -0.0314, -0.0104,  0.0073, -0.0276,  0.0185, -0.0026,  0.0081, -0.0165,
          0.0010, -0.0154,  0.0317, -0.0376, -0.0406, -0.0342, -0.0437,  0.0161,
          0.0201,  0.0106,  0.0272,  0.0364,  0.0103,  0.0046,  0.0009, -0.0325,
         -0.0076,  0.0132,  0.0452, -0.0433, -0.0031, -0.0044,  0.0375,  0.0582,
         -0.0279, -0.0187],
        [ 0.0304, -0.0280,  0.0054, -0.0156, -0.0057, -0.0115,  0.0080, -0.0108,
         -0.0022, -0.0272,  0.0045, -0.0320, -0.0045,  0.0336, -0.0401, -0.0197,
         -0.0296, -0.0060,  0.0100, -0.0298,  0.0157, -0.0032,  0.0140, -0.0183,
         -0.0010, -0.0147,  0.0301, -0.0385, -0.0417, -0.0319, -0.0417,  0.0161,
          0.0219,  0.0117,  0.0325,  0.0342,  0.0086,  0.0044,  0.0009, -0.0329,
         -0.0074,  0.0090,  0.0483, -0.0435, -0.0047, -0.0055,  0.0369,  0.0575,
         -0.0293, -0.0212]], grad_fn=<AddmmBackward0>)

进程已结束，退出代码为 0

如何归一化详见带选框的图片大小归一化\使用opencv进行图像输入神经网络前的归一尺寸处理

以下是刻晴参演的模型(未训练)输出

import numpy as np
import torch
from torch import nn
import cv2
from img_resize import resize_and_pad_image

torch.manual_seed(0)  # 设置随机数种子确保实验可重复(其实就是设置pytorch里面的参数按照同一个随机数序列取值)


class Mynet(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv = nn.Sequential(
            # output_size=(input_size + 2×padding−kernel_size+1)
            # 保持原形状宽高不变: padding=(kernel_size-1)//2
            # [batch_size, channels:3, height:640, width:640]的图像作为输入
            nn.Conv2d(3, 16, 3, 1, 1),
            # [batch_size, channels:16, height:640, width:640]
            nn.ReLU(True),
            # Relu激活
            nn.Conv2d(16, 32, 5, 1, 2),
            # [batch_size, channels:32, height:640, width:640]
            nn.ReLU(True),
            nn.Conv2d(32, 16, 1, 1, 0),
            # 1*1卷积核进行通道整合
            # [batch_size, channels:16, height:640, width:640]
            nn.ReLU(True),
            # 最大池化层2*2卷积核步长为2(向右向下都是2)
            nn.MaxPool2d(2, 2),
            # [batch_size, channels:16, height:320, width:320]
            nn.ReLU(True),
            nn.MaxPool2d(2, 2),
            # [batch_size, channels:16, height:160, width:160]
            nn.ReLU(True),
            nn.Conv2d(16, 8, 1, 1, 0),
            # [batch_size, channels:8, height:160, width:160]
            nn.ReLU(True),
            # 平均池化层2*2卷积核步长为2(向右向下都是2)
            nn.AvgPool2d(2, 2),
            # [batch_size, channels:8, height:80, width:80]
            nn.ReLU(True),
        )
        # 展开后为[batch_size, num=8*80*80=51200]
        self.linear = nn.Sequential(
            nn.Linear(51200, 1600),
            # 全连接层[batch_size, num:51200]->[batch_size, num:1600]
            nn.ReLU(True),
            # Relu激活
            nn.Linear(1600, 50),
            # 全连接层[batch_size, num:1600]->[batch_size, num:50]
        )

    def forward(self, x):
        x = self.conv(x)
        # 图片卷积: 由[batch_size, channels:3, height:640, width:640]到[batch_size, channels:8, height:80, width:80]
        x = x.view(x.shape[0], -1)
        # 将除批次信息之外的通道展开由[batch_size, channels:3, height:640, width:640]到[batch_size, num:51200]
        output = self.linear(x)
        # 特征输出[batch_size, num:50]
        return output


if __name__ == '__main__':
    model = Mynet()
    img = resize_and_pad_image('../A.jpg')  # 读入刻晴
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)  # 将刻晴从BGR转为RGB,因为oopencv读入是BGR通道格式
    img_array = np.array(img, dtype=np.float32)  # 将刻晴修改为np的float32格式数组减小内存(或显存)占用
    img_array = img_array / 255.0   # 将刻晴数组归一化到0至1之间的小数(因为像素是0到255的uint8类型)
    image_tensor = torch.from_numpy(img_array).permute(2, 0, 1).unsqueeze(0)
    # 这里 permute(2, 0, 1)是为了将通道维度从最后一个维度移动到第一个维度(从 HWC 到 CHW),然后 unsqueeze(0) 是为了在最前面增加一个 batch_size 维度
    print(image_tensor.shape)  # 输出torch.Size([1, 3, 640, 640])
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")   # 如果安装了cuda则使用显卡作为载体设备,否则用cpu
    image_tensor = image_tensor.to(device)  # 将刻晴转移到显存上QWQ
    model = model.to(device)    # 将模型转移到显存上
    result = model(image_tensor)
    print(result.shape)
    print(result)

<---这是刻晴orz

运行结果

C:\ProgramData\anaconda3\envs\test\python.exe D:\testpy\t3\mynet.py 
torch.Size([1, 3, 640, 640])
torch.Size([1, 50])
tensor([[ 1.6301e-02, -3.0197e-02,  4.7201e-03, -1.8853e-02, -2.5628e-04,
         -1.2649e-02, -1.3965e-03, -7.5116e-03,  6.9302e-03, -3.1824e-02,
         -4.9574e-05, -3.0658e-02,  9.6092e-05,  3.0587e-02, -4.1966e-02,
         -1.9422e-02, -3.7493e-02, -1.6072e-03,  1.3277e-02, -3.2400e-02,
          1.6708e-02, -1.9345e-03,  6.2375e-03, -2.4938e-02,  6.5929e-03,
         -1.5835e-02,  3.1258e-02, -4.9182e-02, -4.4705e-02, -3.6710e-02,
         -4.1149e-02,  2.9103e-02,  2.8033e-02,  1.6225e-02,  4.1443e-02,
          3.7884e-02,  1.6510e-03,  4.7750e-03,  5.7569e-03, -3.8279e-02,
         -1.5412e-02,  7.7273e-03,  5.8647e-02, -4.7992e-02, -9.9364e-04,
         -4.3572e-03,  4.6278e-02,  5.9638e-02, -2.0950e-02, -2.5759e-02]],
       device='cuda:0', grad_fn=<AddmmBackward0>)

进程已结束，退出代码为 0

才才不会告诉你特征值有别的用处,况且还没有训练,且听下回分解

博猪也在努力学习,大家如果有好的方法可以在评论区评论,欢迎关注博猪一起学习

致力于架构自己的模型(雾),且永远开源

pinta666
关注
python实现cnn特征提取_使用PyTorch提取CNNs图像特征
weixin_39836860的博客
12-03 3646
目录简要介绍PyTorch、张量和NumPy为什么选择卷积神经网络(CNNs)?识别服装问题使用PyTorch实现CNNs1.简要介绍PyTorch、张量和NumPy让我们快速回顾一下第一篇文章中涉及的内容。我们讨论了PyTorch和张量的基础知识，还讨论了PyTorch与NumPy的相似之处。PyTorch是一个基于python的库，提供了以下功能:用于创建可序列化和可优化模型的TorchScr...
pytorch实现人脸识别包括人脸检测（opencv、dlib、CNN三种方法融合）人脸对齐和vgg-face人脸特征提取
04-02
博客地址：https://blog.csdn.net/wen_fei/article/details/80261047 人脸识别源代码，包括使用opencv、dlib和cnn实现的人脸检测、opencv实现的人脸对齐以及vgg-face的人脸特征提取等，最后余弦函数计算相似度，并提供flask部署代码，可以放在服务器上远程调用
基于 PyTorch 的图像特征提取
Warmer_Sweeter
05-22 8899
引言假设你看到一只猫的图像，在几秒钟内，你就可以识别出来这是一只猫。如果我们给计算机提供相同的图片呢？好吧，计算机无法识别它。也许我们可以在计算机上打开图片，但无法识别它。众所周知，计算机...
PyTorch Image Models(timm)中的特征提取技术详解
最新发布
gitblog_00361的博客
05-30 428
PyTorch Image Models(timm)中的特征提取技术详解 前言 在计算机视觉领域，预训练模型的特征提取能力对于迁移学习至关重要。本文将深入探讨如何使用PyTorch Image Models（简称timm）库高效地从各种图像分类模型中提取特征，包括分类层前的特征和多尺度特征图。 分类层前特征提取 在迁移学习场景中，我们经常需要获取模型在分类层之前的特征表示。这些特征通常包含更丰富的...
Pytorch特征提取
张家四少
03-09 1822
pytorch finetuning 自己的图片进行行训练：https://blog.csdn.net/xiexu911/article/details/81227126 Pytorch学习笔记（I）——预训练模型（一）：加载与使用：https://blog.csdn.net/qq_34108714/article/details/90106018 Pytorch学习笔记（I）——预训练模型（...
Pytorch学习笔记（III）——提取特征
lockonlxf的博客
08-05 2468
目录一、引言二、具体步骤1、参数模型2、网络结构3、参数载入4、特征提取器5、读取图片三、完整代码 一、引言   深度学习在许多任务中主要充当着特征学习的作用，而学习完的特征才是后续应用的一个关键。本文将主要介绍，如何提取任意目标层的特征图。   本文以输入数据为图片为例。 二、具体步骤 1、参数模型 博主使用了ResNet50训练了一个人脸识别的网络   训练完成的深度学习模型，我们会保存一...
掌握PyTorch中的图像处理与特征提取
AI天才研究院
01-25 1272
1.背景介绍 图像处理和特征提取是计算机视觉领域的基础和核心技术，它们在图像识别、图像分类、目标检测等任务中发挥着重要作用。PyTorch是一个流行的深度学习框架，它提供了丰富的图像处理和特征提取功能，可以帮助我们更高效地实现计算机视觉任务。在本文中，我们将深入探讨PyTorch中的图像处理与特征提取技术，揭示其核心概念、算法原理和实际应用场景，并提供一些最佳实践和代码示例。 1. 背景介绍 ...
Pytorch提取模型特征向量保存至csv的例子
09-18
在PyTorch中，提取模型特征向量并将其保存到CSV文件是一项常见的任务，尤其是在进行图像分类、物体检测或图像分析等应用时。本例子主要展示了如何利用预训练的模型，如ResNet，来提取图像的特征，并将这些特征向量...
深度学习基于PyTorch的迁移学习实战指南：模型微调与特征提取技术详解及应用案例分析
05-18
此外，还讨论了特征提取的原理和方法，包括使用预训练模型的特定层进行特征提取和构建自定义特征提取网络，并展示了特征在图像分类、目标检测和图像分割等下游任务中的应用。最后，通过花卉分类和目标检测两个实战...
PyTorch 预训练模型特征提取
09-11
总而言之，PyTorch提供了简单且强大的预训练模型特征提取工具，可以用于各种任务。通过加载预训练模型并提取其特征，我们可以快速构建和训练其他模型，从而提高模型性能。 ### 回答3： PyTorch 提供了许多预训练...
基于pytorch的谷歌自然语言处理模型BERT代码实现
03-25
**四、构建模型** 使用`BertModel`类实例化BERT模型，并加载预训练权重： ```python model = BertModel.from_pretrained('bert-base-uncased') ``` **五、模型训练与微调** 在微调阶段，我们需要定义损失函数和...
pytorch实现用Resnet提取特征并保存为txt文件的方法
09-18
今天小编大家分享一篇pytorch实现用Resnet提取特征并保存为txt文件的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
pytorch以图搜图通过cnn模型提取特征建立-附件资源
03-05
pytorch以图搜图通过cnn模型提取特征建立-附件资源
pytorch 输出中间层特征的实例
09-18
今天小编就为大家分享一篇pytorch 输出中间层特征的实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Pytorch获取特征图
吹吹自然风
09-02 1929
pytorch如何获取多个特征图
Pytorch极简入门教程（十六）——DenseNet提取特征
weixin_44533869的博客
05-05 2521
Pytorch之DenseNet提取特征 导入必要的模块 import torch from torch.utils import data from PIL import Image import numpy as np import torchvision from torchvision import transforms import matplotlib.pyplot as plt import glob # 卷积部分可以认为是特征提取网络 #model = torchvision.model
Pytorch学习笔记：hook操作——提取特征、梯度等信息
qq_50001789的博客
08-09 1658
Pytorch学习笔记：hook操作——提取特征、梯度等信息  PyTorch在每一次运算结束后都会释放中间变量，从而节省内存空间，例如释放模型中间得到的特征数据、反向传播过程中的梯度等等，因此就有了hook方法，可以操作中间变量，如保存梯度、保存中间特征数据，也可以对中间变量做修改，如增大梯度、限制梯度范围等等，核心在于hook函数的定义。
3-pytorch数据迁移代码实例：特征提取和微调（基于卷积神经网络retnet18）
Toby的博客
04-22 949
在特征提取中，可以在预先训练好的网络结构后修改或添加一个简单的分类器，然后将源任务上预先训练好的网络作为另一个目标任务的特征提取器，只对最后增加的分类器参数进行重新学习，而预先训练好的网络参数不被修改或冻结。实际上，微调要优于特征提取，因为它能够对迁移过来的预训练网络参数进行优化，使其更加适合新的任务。微调的大致过程是在预先训练过的网络上添加新的随机初始化层，此外预先训练的网络参数也会被更新，但会使用较小的学习率以防止预先训练好的参数发生较大改变。常用方法是固定底层的参数，调整一些顶层或具体层的参数。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值