【python 走进pytotch】pytorch实现用Resnet提取特征

2024-09-07 06:08

本文主要是介绍【python 走进pytotch】pytorch实现用Resnet提取特征,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

无意中发现了一个巨牛的人工智能教程,忍不住分享一下给大家。教程不仅是零基础,通俗易懂,
而且非常风趣幽默,像看小说一样!觉得太牛了,所以分享给大家。点这里可以跳转到教程。人工智能教程

准备一张图片,pytorch可以方便地实现用预训练的网络提取特征。
下面我们用pytorch提取图片采用预训练网络resnet50,提取图片特征。

# -*- coding: utf-8 -*-import os.path
import torch
import torch.nn as nn
from torchvision import models, transforms
from torch.autograd import Variable
import numpy as np
from PIL import Image
import warnings
warnings.filterwarnings("ignore")features_dir = 'F:/img_spam/test/features/'img_path = "F:/img_spam/test/10064004487036357500320010026498.jpg"
file_name = img_path.split('/')[-1]
feature_path = os.path.join(features_dir, file_name + '.txt')print(feature_path)transform1 = transforms.Compose([transforms.Scale(256),transforms.CenterCrop(224),transforms.ToTensor()]
)img = Image.open(img_path)
img1 = transform1(img)print(img1)resnet50_feature_extractor = models.resnet50(pretrained = True)
resnet50_feature_extractor.fc = nn.Linear(2048, 2048)
torch.nn.init.eye(resnet50_feature_extractor.fc.weight)for param in resnet50_feature_extractor.parameters():param.requires_grad = Falsex = Variable(torch.unsqueeze(img1, dim=0).float(), requires_grad=False)print(x)
y = resnet50_feature_extractor(x)
y = y.data.numpy()
print(y)np.savetxt(feature_path, y, delimiter=',')
y_ = np.loadtxt(feature_path, delimiter=',').reshape(1, 2048)print(y_)

运行结果:

E:\laidefa\python.exe C:/Users/xiaohu/PycharmProjects/深度学习/pytorch实战/resNet提取图片特征.py
F:/img_spam/test/features/10064004487036357500320010026498.jpg.txt
tensor([[[ 0.9961,  0.9961,  0.9961,  ...,  0.9961,  0.9961,  0.9961],[ 0.9961,  0.9961,  0.9961,  ...,  0.9961,  0.9961,  0.9961],[ 0.9961,  0.9961,  0.9961,  ...,  0.9961,  0.9961,  0.9961],...,[ 0.9059,  0.9059,  0.8902,  ...,  0.9020,  0.9569,  0.9412],[ 0.9255,  0.9098,  0.9255,  ...,  0.8667,  0.9294,  0.9216],[ 0.9059,  0.9098,  0.9059,  ...,  0.9216,  0.9529,  0.9412]],[[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],...,[ 0.3412,  0.1137,  0.3255,  ...,  0.3608,  0.5176,  0.1569],[ 0.4667,  0.2824,  0.4314,  ...,  0.3020,  0.5216,  0.1490],[ 0.3137,  0.0667,  0.2863,  ...,  0.2510,  0.3020,  0.0784]],[[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],...,[ 0.0627,  0.0275,  0.0627,  ...,  0.0980,  0.1294,  0.0471],[ 0.1098,  0.0941,  0.1255,  ...,  0.0627,  0.1098,  0.0275],[ 0.0588,  0.0353,  0.0667,  ...,  0.0941,  0.0902,  0.0392]]])
tensor([[[[ 0.9961,  0.9961,  0.9961,  ...,  0.9961,  0.9961,  0.9961],[ 0.9961,  0.9961,  0.9961,  ...,  0.9961,  0.9961,  0.9961],[ 0.9961,  0.9961,  0.9961,  ...,  0.9961,  0.9961,  0.9961],...,[ 0.9059,  0.9059,  0.8902,  ...,  0.9020,  0.9569,  0.9412],[ 0.9255,  0.9098,  0.9255,  ...,  0.8667,  0.9294,  0.9216],[ 0.9059,  0.9098,  0.9059,  ...,  0.9216,  0.9529,  0.9412]],[[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],...,[ 0.3412,  0.1137,  0.3255,  ...,  0.3608,  0.5176,  0.1569],[ 0.4667,  0.2824,  0.4314,  ...,  0.3020,  0.5216,  0.1490],[ 0.3137,  0.0667,  0.2863,  ...,  0.2510,  0.3020,  0.0784]],[[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000,  ...,  0.0000,  0.0000,  0.0000],...,[ 0.0627,  0.0275,  0.0627,  ...,  0.0980,  0.1294,  0.0471],[ 0.1098,  0.0941,  0.1255,  ...,  0.0627,  0.1098,  0.0275],[ 0.0588,  0.0353,  0.0667,  ...,  0.0941,  0.0902,  0.0392]]]])
[[0.36967766 0.5629435  0.49159744 ... 0.33528978 0.42739153 0.3224204 ]]
[[0.36967766 0.56294352 0.49159744 ... 0.33528978 0.42739153 0.32242039]]Process finished with exit code 0

这篇关于【python 走进pytotch】pytorch实现用Resnet提取特征的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1144266

相关文章

Spring StateMachine实现状态机使用示例详解

《SpringStateMachine实现状态机使用示例详解》本文介绍SpringStateMachine实现状态机的步骤,包括依赖导入、枚举定义、状态转移规则配置、上下文管理及服务调用示例,重点解... 目录什么是状态机使用示例什么是状态机状态机是计算机科学中的​​核心建模工具​​,用于描述对象在其生命

Spring Boot 结合 WxJava 实现文章上传微信公众号草稿箱与群发

《SpringBoot结合WxJava实现文章上传微信公众号草稿箱与群发》本文将详细介绍如何使用SpringBoot框架结合WxJava开发工具包,实现文章上传到微信公众号草稿箱以及群发功能,... 目录一、项目环境准备1.1 开发环境1.2 微信公众号准备二、Spring Boot 项目搭建2.1 创建

IntelliJ IDEA2025创建SpringBoot项目的实现步骤

《IntelliJIDEA2025创建SpringBoot项目的实现步骤》本文主要介绍了IntelliJIDEA2025创建SpringBoot项目的实现步骤,文中通过示例代码介绍的非常详细,对大家... 目录一、创建 Spring Boot 项目1. 新建项目2. 基础配置3. 选择依赖4. 生成项目5.

使用Python删除Excel中的行列和单元格示例详解

《使用Python删除Excel中的行列和单元格示例详解》在处理Excel数据时,删除不需要的行、列或单元格是一项常见且必要的操作,本文将使用Python脚本实现对Excel表格的高效自动化处理,感兴... 目录开发环境准备使用 python 删除 Excphpel 表格中的行删除特定行删除空白行删除含指定

Linux下删除乱码文件和目录的实现方式

《Linux下删除乱码文件和目录的实现方式》:本文主要介绍Linux下删除乱码文件和目录的实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录linux下删除乱码文件和目录方法1方法2总结Linux下删除乱码文件和目录方法1使用ls -i命令找到文件或目录

SpringBoot+EasyExcel实现自定义复杂样式导入导出

《SpringBoot+EasyExcel实现自定义复杂样式导入导出》这篇文章主要为大家详细介绍了SpringBoot如何结果EasyExcel实现自定义复杂样式导入导出功能,文中的示例代码讲解详细,... 目录安装处理自定义导出复杂场景1、列不固定,动态列2、动态下拉3、自定义锁定行/列,添加密码4、合并

mybatis执行insert返回id实现详解

《mybatis执行insert返回id实现详解》MyBatis插入操作默认返回受影响行数,需通过useGeneratedKeys+keyProperty或selectKey获取主键ID,确保主键为自... 目录 两种方式获取自增 ID:1. ​​useGeneratedKeys+keyProperty(推

Spring Boot集成Druid实现数据源管理与监控的详细步骤

《SpringBoot集成Druid实现数据源管理与监控的详细步骤》本文介绍如何在SpringBoot项目中集成Druid数据库连接池,包括环境搭建、Maven依赖配置、SpringBoot配置文件... 目录1. 引言1.1 环境准备1.2 Druid介绍2. 配置Druid连接池3. 查看Druid监控

Python通用唯一标识符模块uuid使用案例详解

《Python通用唯一标识符模块uuid使用案例详解》Pythonuuid模块用于生成128位全局唯一标识符,支持UUID1-5版本,适用于分布式系统、数据库主键等场景,需注意隐私、碰撞概率及存储优... 目录简介核心功能1. UUID版本2. UUID属性3. 命名空间使用场景1. 生成唯一标识符2. 数

Linux在线解压jar包的实现方式

《Linux在线解压jar包的实现方式》:本文主要介绍Linux在线解压jar包的实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录linux在线解压jar包解压 jar包的步骤总结Linux在线解压jar包在 Centos 中解压 jar 包可以使用 u