内容导读：特征提取是图像处理过程中常需要用到的一种方法，其效果好坏对模型的泛化能力有至关重要的影响。

特征提取（Feature extraction）在机器学习、模式识别和图像处理中应用广泛。

它从初始的一组测量数据开始，建构出提供信息且不冗余的派生值，即特征值，从而促进后续的学习和泛化步骤。

在使用 PyTorch 进行模型训练的过程中，经常需要提取模型中间层的特征。解决这个问题可以用到 3 种方法。

对中间层进行特征提取的 3 大方法

1、借助模型类的属性传递

方法： 修改 forward 函数，通过添加一行代码将 feature 赋值给 self 变量，即 self.feature_map = feature，然后打印输出即可。

备注： 适用于仅提取中间层特征，不需要提取梯度的情况。

代码示例：

# Define a Convolutional Neural Network
class 
Net(nn.Module):
    
    def __init__(self, kernel_size=5, n_filters=16, n_layers=3):
        xxx
    def forward(self, x): 
        x = self.body(self.head(x))


        self.featuremap1 = x.detach() # 核心代码


        return F.relu(self.fc(x))


model_ft = Net()
train_model(model_ft)
feature_output1 = model_ft.featuremap1.transpose(1,0).cpu()

2、借助 hook 机制

hook 是一个可调用对象，它可以在不修改主代码的前提下插入业务。 PyTorch 中的 hook 包括三种：

torch.autograd.Variable.register_hook

torch.nn.Module.register_backward_hook

torch.nn.Module.register_forward_hook

第一个是针对 Variable 对象的，后两个是针对 nn.Module 对象的。

方法： 在调用阶段对 Module 使用 forward_hook 函数，可以获得所需梯度或特征。

备注： 较为复杂、功能完善，需要对 PyTorch 有一定程度的了解。

3、借助 torchextractor

torchextractor 是一个独立 Python 包，具有跟 nn.Module 功能类似的提取器，只需提供模块名称， 就可以在 PyTorch 中对中间层进行特征提取。

与使用 forward_hook 进行中间层特征提取相比，torchextractor 更像是一个包装程序（wrapper），不像 torchvision IntermediateLayerGetter 有那么多的 assumption。

在功能方面 torchextractor 主要优势在于支持嵌套模块（nested module）、自定义缓存操作，而且与 ONNX 兼容。

torchextractor 极大简化了在 PyTorch 中进行特征提取的流程，这避免了大量代码的粘贴复制，也不需要重写 forward 函数， 它对初学者更友好，可用性也更强。

torchextractor 上手实践

安装

pip install torchextractor  # stable
pip install git+https://github.com/antoinebrl/torchextractor.git  # latest

要求

Python 3.6 及以上版本

Torch 1.4.0 及以上版本

用法

import torch
import torchvision
import torchextractor as tx


model = torchvision.models.resnet18(pretrained=True)
model = tx.Extractor(model, ["layer1", "layer2", "layer3", "layer4"])
dummy_input = torch.rand(7, 3, 224, 224)
model_output, features = model(dummy_input)
feature_shapes = {name: f.shape for name, f in features.items()}
print(feature_shapes)


# {
#   'layer1': torch.Size([1, 64, 56, 56]),
#   'layer2': torch.Size([1, 128, 28, 28]),
#   'layer3': torch.Size([1, 256, 14, 14]),
#   'layer4': torch.Size([1, 512, 7, 7]),
# }

完整文档请查看：

https://github.com/antoinebrl/torchextractor

以上就是本期汇总的 3 个对中间层进行特征提取的方法，如果你有更好的解决思路，或者其他想要了解的 Pytorch 相关问题，欢迎在下方留言或发私信。

参考：

https://www.reddit.com/r/MachineLearning/comments/m2vwf9/p_pytorch_intermediate_feature_extraction/

https://www.zhihu.com/question/68384370