dann特征提取器可视化代码

以下是使用 PyTorch 实现的 DANN 特征提取器可视化代码：

import torch
import torch.nn.functional as F
import matplotlib.pyplot as plt

# 定义 DANN 特征提取器
class FeatureExtractor(torch.nn.Module):
    def __init__(self):
        super(FeatureExtractor, self).__init__()
        self.conv1 = torch.nn.Conv2d(3, 64, kernel_size=5)
        self.conv2 = torch.nn.Conv2d(64, 50, kernel_size=5)
        self.conv2_drop = torch.nn.Dropout2d()
        self.fc1 = torch.nn.Linear(50*53*53, 100)
        self.fc2 = torch.nn.Linear(100, 100)

    def forward(self, x):
        x = F.relu(F.max_pool2d(self.conv1(x), 2))
        x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
        x = x.view(-1, 50*53*53)
        x = F.relu(self.fc1(x))
        x = F.dropout(x, training=self.training)
        x = self.fc2(x)
        return x

# 加载模型参数
model = FeatureExtractor()
model.load_state_dict(torch.load('dann_feature_extractor.pth'))

# 可视化特征图
img = plt.imread('example.jpg')
img = torch.Tensor(img).unsqueeze(0).permute(0, 3, 1, 2)
features = model(img)
for i in range(10):
    plt.subplot(2, 5, i+1)
    plt.imshow(features[0][i].detach().numpy())
plt.show()

这里使用了一个名为 example.jpg 的图片来测试特征提取器，可以替换成其他图片。运行代码后将会显示出特征图。如果想要获取更多层的特征图，可以在模型中添加相应的层并进行可视化。