如何获取 CNN 模型的输入和输出特征图？
How to get the input and output feature maps of a CNN model?
我试图找到图像在每一层通过卷积神经网络时的尺寸。因此，例如，如果应用了最大池化或卷积，我想知道该层所有层的图像形状。我知道我可以使用 nOut=image+2p-f / s + 1 公式，但考虑到 PyTorch 模型的大小，它会过于乏味和复杂。有没有一种简单的方法可以做到这一点，也许是可视化 tool/script 之类的？
访问https://deeplearning.neuromatch.io/tutorials/W2D1_ConvnetsAndRecurrentNeuralNetworks/student/W2D1_Tutorial1.html
它是一个免费教程，包含神经匹配学院提供的 CNN 的广泛视觉表示。
您可以使用 torchinfo 库：https://github.com/TylerYep/torchinfo
让我们以他们为例：
from torchinfo import summary
model = ConvNet()
batch_size = 16
summary(model, input_size=(batch_size, 1, 28, 28))
这里(1, 28, 28)是输入的大小，分别是图像的(Channel, Width, Height)。
图书馆将打印：
================================================================================================================
Layer (type:depth-idx) Input Shape Output Shape Param # Mult-Adds
================================================================================================================
SingleInputNet -- -- -- --
├─Conv2d: 1-1 [7, 1, 28, 28] [7, 10, 24, 24] 260 1,048,320
├─Conv2d: 1-2 [7, 10, 12, 12] [7, 20, 8, 8] 5,020 2,248,960
├─Dropout2d: 1-3 [7, 20, 8, 8] [7, 20, 8, 8] -- --
├─Linear: 1-4 [7, 320] [7, 50] 16,050 112,350
├─Linear: 1-5 [7, 50] [7, 10] 510 3,570
================================================================================================================
Total params: 21,840
Trainable params: 21,840
Non-trainable params: 0
Total mult-adds (M): 3.41
================================================================================================================
Input size (MB): 0.02
Forward/backward pass size (MB): 0.40
Params size (MB): 0.09
Estimated Total Size (MB): 0.51
================================================================================================================
我认为 7 在这个输出中是错误的。应该是 16.
我试图找到图像在每一层通过卷积神经网络时的尺寸。因此，例如，如果应用了最大池化或卷积，我想知道该层所有层的图像形状。我知道我可以使用 nOut=image+2p-f / s + 1 公式，但考虑到 PyTorch 模型的大小，它会过于乏味和复杂。有没有一种简单的方法可以做到这一点，也许是可视化 tool/script 之类的？
访问https://deeplearning.neuromatch.io/tutorials/W2D1_ConvnetsAndRecurrentNeuralNetworks/student/W2D1_Tutorial1.html 它是一个免费教程，包含神经匹配学院提供的 CNN 的广泛视觉表示。
您可以使用 torchinfo 库：https://github.com/TylerYep/torchinfo
让我们以他们为例：
from torchinfo import summary
model = ConvNet()
batch_size = 16
summary(model, input_size=(batch_size, 1, 28, 28))
这里(1, 28, 28)是输入的大小，分别是图像的(Channel, Width, Height)。
图书馆将打印：
================================================================================================================
Layer (type:depth-idx) Input Shape Output Shape Param # Mult-Adds
================================================================================================================
SingleInputNet -- -- -- --
├─Conv2d: 1-1 [7, 1, 28, 28] [7, 10, 24, 24] 260 1,048,320
├─Conv2d: 1-2 [7, 10, 12, 12] [7, 20, 8, 8] 5,020 2,248,960
├─Dropout2d: 1-3 [7, 20, 8, 8] [7, 20, 8, 8] -- --
├─Linear: 1-4 [7, 320] [7, 50] 16,050 112,350
├─Linear: 1-5 [7, 50] [7, 10] 510 3,570
================================================================================================================
Total params: 21,840
Trainable params: 21,840
Non-trainable params: 0
Total mult-adds (M): 3.41
================================================================================================================
Input size (MB): 0.02
Forward/backward pass size (MB): 0.40
Params size (MB): 0.09
Estimated Total Size (MB): 0.51
================================================================================================================
我认为 7 在这个输出中是错误的。应该是 16.