提取网络模型的高层特征

　　对于提取网络模型特征中的某一层特征的方法有多种多样，其实都很容易想到，只是作者在学习的过程中是0基础的python，很多地方都看不懂，因此特意写下一篇关于特征提取的通用方法，以备大家少踩点坑：

　　提取网络模型中的某一层特征，最简单的方法就是在构建网络模型的时候处理，在调用该模型的时候将特征值输出即可。

　　上代码：

class Vgg16Model_pretrain(nn.Module):
    def __init__(self,vgg16 = vgg16_default):
        super(Vgg16Model_pretrain, self).__init__()
        ##vgg16的特征提取层
        self.features = vgg16.features
        ## 添加新的全连接层
        self.classifier = nn.Sequential(
            nn.Linear(25088, 512),
            nn.ReLU(),
            nn.Dropout(p=0.5),
            nn.Linear(512, 256),
            nn.ReLU(),
            nn.Dropout(p=0.5),
            nn.Linear(256, vgg16numcluss),
            nn.Softmax(dim=1)
        )
    ## 定义网络的向前传播路径
    def forward(self, x):
        x = self.features(x)
        x = x.view(x.size(0), -1)
        output = self.classifier(x)
        output_fea=self.classifier[:2](x)
        return output,output_fea

　　比如这个我通过传入的vgg16_default（第二行）网络（官方标准的vgg16网络结构，这里是为了加快训练网络模型而是用的预训练好的），只需要他的features层（有31层）

　　分类层由自己定义自由添加，我这里输出分类数目是vgg16numcluss，

　　关键地方：在forward中的输出，可以自由选定指定层次的输出，这里我多了一个output_fea的输出，其意义是输出分类层的第二层的高层特征（Relu），如果说想输出中层特征，也可以依照次方法填加一个中间变量，令y = self.features[:30](x)这样，就可以输出features层的第30层特征。

　　如何使用:

　　在提取代码中：

　　见16行，输出的第二个变量即为所得到的高层特征。

　　这里，对图像的预处理有归一化这一操作，其中的方差和平均值是对测试集计算得到的。

test_data_transforms = transforms.Compose([
    # transforms.Resize(256),     # 重置图像分辨率
    transforms.ToTensor(),
    # transforms.CenterCrop(IMAGE_SIZE),
    transforms.Normalize([0.468636,0.470129,0.416165],[0.065697,0.060791,0.054082])  # 图像标准化处理
    # [0.468636,0.470129,0.416165],[0.065697,0.060791,0.054082]
])
# 提取特征
def extract_feature(model, imgpath):
    transform = test_data_transforms   # 获取测试集所使用的transforms
    model.to(device)                            # 加载到gpu
    img = Image.open(imgpath)                   #
    img = img.resize((224, 224))                # 该两个步骤是对图片处理，可以舍去，因为transforms会对其处理
    tensor = transform(img).to(device)
    tensor = tensor.resize_(1, 3, 224, 224)
    _,result = model(Variable(tensor))
    result_tensor = result.data.cpu()      # 转化回cpu的tensor类型
    return result_tensor[0]