我可以在 pytorch 中访问 DeepLab 的内层输出吗？答案

【问题标题】：Can I access the inner layer outputs of DeepLab in pytorch?我可以在 pytorch 中访问 DeepLab 的内层输出吗？
【发布时间】：2021-05-05 03:45:06
【问题描述】：

使用 Pytorch，我正在尝试实现一个使用预训练的 DeepLab ResNet-101 的网络。我找到了两种可能的方法来使用这个网络：

this one

或

 torchvision.models.segmentation.deeplabv3_resnet101(
     pretrained=False, progress=True, num_classes=21, aux_loss=None, **kwargs)

但是，我可能不仅需要这个网络的输出，还需要几个内部层的输出。有没有办法使用这些方法之一访问内层输出？

如果没有 - 是否可以手动复制经过训练的 resnet 的参数，以便我可以手动重新创建它并自己添加这些输出？（希望第一个选项是可能的，所以我不需要这样做）

谢谢！

【问题讨论】：

标签： python deep-learning pytorch resnet semantic-segmentation

【解决方案1】：

您可以使用forward hooks 轻松实现此目的。

这个想法是遍历模型的模块，找到您感兴趣的层，将回调函数挂钩到它们。调用时，这些层将触发钩子。我们将利用这一点来保存中间输出。

例如，假设您要获取层 classifier.0.convs.3.1 的输出：

layers = ['classifier.0.convs.3.1']
activations = {}

def forward_hook(name):
    def hook(module, x, y):
        activations[name] = y
    return hook

for name, module in model.named_modules():
    if name in layers:
        module.register_forward_hook(forward_hook(name))

*forward_hook 的作用域围绕hook() 进行的闭包用于包含您此时无法访问的模块名称。

一切准备就绪，我们可以调用模型了

>>> model = torchvision.models.segmentation.deeplabv3_resnet101(
        pretrained=True, progress=True, num_classes=21, aux_loss=None)

>>> model(torch.rand(16, 3, 100, 100))

正如预期的那样，在推断之后，activations 将有一个新条目 'classifier.0.convs.3.1' - 在这种情况下 - 将包含一个形状为 (16, 256, 13, 13) 的张量。

不久前，I wrote an answer 提出了一个类似的问题，其中更详细地介绍了如何使用钩子来检查中间输出形状。

【讨论】：