提取高层特征每次都不同问题的解决

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了提取高层特征每次都不同问题的解决，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1906字，纯文字阅读大概需要3分钟。

内容图文

　　作者在使用vgg16提取高层特征的时候，由于方法不对，导致每次提取的特征都会出现不同现象，原因是出现在nn.Linear()层上，虽然这种差别不是很大，但是放在具体的检索上就要命了，准确率好低，作者就是在这一方面花费了大量的时间寻找了解决方法与问题根源：

　　先说一下错误过程：

　　首先，作者是通过加载网络、重构网络的方式来提取高层特征的

　　加载的网络

通过将pth文件加载到我之前训练的网络结构中：

 1 #训练的vgg16网络
 2 class Vgg16Model2(nn.Module):
 3     def __init__(self,vgg16 = vgg16_default):
 4         super(Vgg16Model2, self).__init__()
 5         ## 预训练的vgg16的特征提取层
 6         self.features = vgg16.features
 7         ## 添加新的全连接层
 8         self.classifier = nn.Sequential(
 9             nn.Linear(25088, 512),
10             nn.ReLU(),
11             nn.Dropout(p=0.5),
12             nn.Linear(512, 256),
13             nn.ReLU(),
14             nn.Dropout(p=0.5),
15             nn.Linear(256, vgg16numcluss)
16         )
17 
18     ## 定义网络的向前传播路径
19     def forward(self, x):
20         x = self.features(x)
21         x = x.view(x.size(0), -1)
22         output = self.classifier(x)
23         return output

然后重构该网络：

 1 #重构的vgg16网络
 2 class Vgg16Tofeature(nn.Module):
 3     def __init__(self,vgg16=vgg16_default):
 4         super(Vgg16Tofeature, self).__init__()
 5         ## 预训练的vgg16的特征提取层
 6         self.features = vgg16.features
 7         ## 添加新的全连接层
 8         self.classifier = nn.Sequential(
 9             nn.Linear(25088, 512),
10             nn.ReLU(),
11         )
12     ## 定义网络的向前传播路径
13     def forward(self, x):
14         x = self.features(x)
15         x = x.view(x.size(0), -1)
16         output = self.classifier(x)
17         return output

　　很容易理解，这里输出512维的特征，是没有错的。

　　但是，这种方法虽然简单容易理解，但是分类层每次的重构，都会导致其中的参数发生变化，因此对于同一张图像的特征输出总是会有一些差别。

　　改进：看我写的另一篇提取高层特征的文章

内容总结

以上是互联网集市为您收集整理的提取高层特征每次都不同问题的解决全部内容，希望文章能够帮你解决提取高层特征每次都不同问题的解决所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---