本章程式碼：
這篇文章主要介紹瞭如何使用 Hook 函式提取網路中的特徵圖進行視覺化，和 CAM(class activation map, 類啟用圖)
Hook 函式概念
Hook 函式是在不改變主體的情況下，實現額外功能。由於 PyTorch 是基於動態圖實現的，因此在一次迭代運算結束後，一些中間變數如非葉子節點的梯度和特徵圖，會被釋放掉。在這種情況下想要提取和記錄這些中間變數，就需要使用 Hook 函式。
PyTorch 提供了 4 種 Hook 函式。
torch.Tensor.register_hook(hook)
功能：註冊一個反向傳播 hook 函式，僅輸入一個引數，為張量的梯度。
hook函式：
hook(grad)
引數：
- grad：張量的梯度
程式碼如下：
w = torch.tensor([1.], requires_grad=True)
x = torch.tensor([2.], requires_grad=True)
a = torch.add(w, x)
b = torch.add(w, 1)
y = torch.mul(a, b)
# 儲存梯度的 list
a_grad = list()
# 定義 hook 函式，把梯度新增到 list 中
def grad_hook(grad):
a_grad.append(grad)
# 一個張量註冊 hook 函式
handle = a.register_hook(grad_hook)
y.backward()
# 檢視梯度
print("gradient:", w.grad, x.grad, a.grad, b.grad, y.grad)
# 檢視在 hook 函式裡 list 記錄的梯度
print("a_grad[0]: ", a_grad[0])
handle.remove()
結果如下：
gradient: tensor([5.]) tensor([2.]) None None None
a_grad[0]: tensor([2.])
在反向傳播結束後，非葉子節點張量的梯度被清空了。而通過hook函式記錄的梯度仍然可以檢視。
hook函式裡面可以修改梯度的值，無需返回也可以作為新的梯度賦值給原來的梯度。程式碼如下：
w = torch.tensor([1.], requires_grad=True)
x = torch.tensor([2.], requires_grad=True)
a = torch.add(w, x)
b = torch.add(w, 1)
y = torch.mul(a, b)
a_grad = list()
def grad_hook(grad):
grad *= 2
return grad*3
handle = w.register_hook(grad_hook)
y.backward()
# 檢視梯度
print("w.grad: ", w.grad)
handle.remove()
結果是：
w.grad: tensor([30.])
torch.nn.Module.register_forward_hook(hook)
功能：註冊 module 的前向傳播hook函式，可用於獲取中間的 feature map。
hook函式：
hook(module, input, output)
引數：
- module：當前網路層
- input：當前網路層輸入資料
- output：當前網路層輸出資料
下面程式碼執行的功能是 $3 \times 3$ 的卷積和 $2 \times 2$ 的池化。我們使用register_forward_hook()記錄中間卷積層輸入和輸出的 feature map。
![[PyTorch 學習筆記] 5.2 Hook 函式與 CAM 演算法](https://i.iter01.com/images/26ff9049f2451c54777849ac56cc0b733ae0d860e00a3379aee6b11d5ac101a6.png)
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 2, 3)
self.pool1 = nn.MaxPool2d(2, 2)
def forward(self, x):
x = self.conv1(x)
x = self.pool1(x)
return x
def forward_hook(module, data_input, data_output):
fmap_block.append(data_output)
input_block.append(data_input)
# 初始化網路
net = Net()
net.conv1.weight[0].detach().fill_(1)
net.conv1.weight[1].detach().fill_(2)
net.conv1.bias.data.detach().zero_()
# 註冊hook
fmap_block = list()
input_block = list()
net.conv1.register_forward_hook(forward_hook)
# inference
fake_img = torch.ones((1, 1, 4, 4)) # batch size * channel * H * W
output = net(fake_img)
# 觀察
print("output shape: {}\noutput value: {}\n".format(output.shape, output))
print("feature maps shape: {}\noutput value: {}\n".format(fmap_block[0].shape, fmap_block[0]))
print("input shape: {}\ninput value: {}".format(input_block[0][0].shape, input_block[0]))
輸出如下：
output shape: torch.Size([1, 2, 1, 1])
output value: tensor([[[[ 9.]],
[[18.]]]], grad_fn=<MaxPool2DWithIndicesBackward>)
feature maps shape: torch.Size([1, 2, 2, 2])
output value: tensor([[[[ 9., 9.],
[ 9., 9.]],
[[18., 18.],
[18., 18.]]]], grad_fn=<ThnnConv2DBackward>)
input shape: torch.Size([1, 1, 4, 4])
input value: (tensor([[[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]]]]),)
torch.Tensor.register_forward_pre_hook()
功能：註冊 module 的前向傳播前的hook函式，可用於獲取輸入資料。
hook函式：
hook(module, input)
引數：
- module：當前網路層
- input：當前網路層輸入資料
torch.Tensor.register_backward_hook()
功能：註冊 module 的反向傳播的hook函式，可用於獲取梯度。
hook函式：
hook(module, grad_input, grad_output)
引數：
- module：當前網路層
- input：當前網路層輸入的梯度資料
- output：當前網路層輸出的梯度資料
程式碼如下：
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 2, 3)
self.pool1 = nn.MaxPool2d(2, 2)
def forward(self, x):
x = self.conv1(x)
x = self.pool1(x)
return x
def forward_hook(module, data_input, data_output):
fmap_block.append(data_output)
input_block.append(data_input)
def forward_pre_hook(module, data_input):
print("forward_pre_hook input:{}".format(data_input))
def backward_hook(module, grad_input, grad_output):
print("backward hook input:{}".format(grad_input))
print("backward hook output:{}".format(grad_output))
# 初始化網路
net = Net()
net.conv1.weight[0].detach().fill_(1)
net.conv1.weight[1].detach().fill_(2)
net.conv1.bias.data.detach().zero_()
# 註冊hook
fmap_block = list()
input_block = list()
net.conv1.register_forward_hook(forward_hook)
net.conv1.register_forward_pre_hook(forward_pre_hook)
net.conv1.register_backward_hook(backward_hook)
# inference
fake_img = torch.ones((1, 1, 4, 4)) # batch size * channel * H * W
output = net(fake_img)
loss_fnc = nn.L1Loss()
target = torch.randn_like(output)
loss = loss_fnc(target, output)
loss.backward()
輸出如下：
forward_pre_hook input:(tensor([[[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]]]]),)
backward hook input:(None, tensor([[[[0.5000, 0.5000, 0.5000],
[0.5000, 0.5000, 0.5000],
[0.5000, 0.5000, 0.5000]]],
[[[0.5000, 0.5000, 0.5000],
[0.5000, 0.5000, 0.5000],
[0.5000, 0.5000, 0.5000]]]]), tensor([0.5000, 0.5000]))
backward hook output:(tensor([[[[0.5000, 0.0000],
[0.0000, 0.0000]],
[[0.5000, 0.0000],
[0.0000, 0.0000]]]]),)
hook函式實現機制
hook函式實現的原理是在module的__call()__函式進行攔截，__call()__函式可以分為 4 個部分：
- 第 1 部分是實現 _forward_pre_hooks
- 第 2 部分是實現 forward 前向傳播
- 第 3 部分是實現 _forward_hooks
- 第 4 部分是實現 _backward_hooks
由於卷積層也是一個module，因此可以記錄_forward_hooks。
def __call__(self, *input, **kwargs):
# 第 1 部分是實現 _forward_pre_hooks
for hook in self._forward_pre_hooks.values():
result = hook(self, input)
if result is not None:
if not isinstance(result, tuple):
result = (result,)
input = result
# 第 2 部分是實現 forward 前向傳播
if torch._C._get_tracing_state():
result = self._slow_forward(*input, **kwargs)
else:
result = self.forward(*input, **kwargs)
# 第 3 部分是實現 _forward_hooks
for hook in self._forward_hooks.values():
hook_result = hook(self, input, result)
if hook_result is not None:
result = hook_result
# 第 4 部分是實現 _backward_hooks
if len(self._backward_hooks) > 0:
var = result
while not isinstance(var, torch.Tensor):
if isinstance(var, dict):
var = next((v for v in var.values() if isinstance(v, torch.Tensor)))
else:
var = var[0]
grad_fn = var.grad_fn
if grad_fn is not None:
for hook in self._backward_hooks.values():
wrapper = functools.partial(hook, self)
functools.update_wrapper(wrapper, hook)
grad_fn.register_hook(wrapper)
return result
Hook 函式提取網路的特徵圖
下面通過hook函式獲取 AlexNet 每個卷積層的所有卷積核引數，以形狀作為 key，value 對應該層多個卷積核的 list。然後取出每層的第一個卷積核，形狀是 [1, in_channle, h, w]，轉換為 [in_channle, 1, h, w]，使用 TensorBoard 進行視覺化，程式碼如下：
writer = SummaryWriter(comment='test_your_comment', filename_suffix="_test_your_filename_suffix")
# 資料
path_img = "imgs/lena.png" # your path to image
normMean = [0.49139968, 0.48215827, 0.44653124]
normStd = [0.24703233, 0.24348505, 0.26158768]
norm_transform = transforms.Normalize(normMean, normStd)
img_transforms = transforms.Compose([
transforms.Resize((224, 224)),
transforms.ToTensor(),
norm_transform
])
img_pil = Image.open(path_img).convert('RGB')
if img_transforms is not None:
img_tensor = img_transforms(img_pil)
img_tensor.unsqueeze_(0) # chw --> bchw
# 模型
alexnet = models.alexnet(pretrained=True)
# 註冊hook
fmap_dict = dict()
for name, sub_module in alexnet.named_modules():
if isinstance(sub_module, nn.Conv2d):
key_name = str(sub_module.weight.shape)
fmap_dict.setdefault(key_name, list())
# 由於AlexNet 使用 nn.Sequantial 包裝，所以 name 的形式是：features.0 features.1
n1, n2 = name.split(".")
def hook_func(m, i, o):
key_name = str(m.weight.shape)
fmap_dict[key_name].append(o)
alexnet._modules[n1]._modules[n2].register_forward_hook(hook_func)
# forward
output = alexnet(img_tensor)
# add image
for layer_name, fmap_list in fmap_dict.items():
fmap = fmap_list[0]# 取出第一個卷積核的引數
fmap.transpose_(0, 1) # 把 BCHW 轉換為 CBHW
nrow = int(np.sqrt(fmap.shape[0]))
fmap_grid = vutils.make_grid(fmap, normalize=True, scale_each=True, nrow=nrow)
writer.add_image('feature map in {}'.format(layer_name), fmap_grid, global_step=322)
使用 TensorBoard 進行視覺化如下：
![[PyTorch 學習筆記] 5.2 Hook 函式與 CAM 演算法](https://i.iter01.com/images/213d8865c7277ae303b3120dbd062af77d5ca62cfd62aa9cd25360f8d9bff674.png)
CAM(class activation map, 類啟用圖)
暫未完成。列出兩個參考文章。
參考資料
如果你覺得這篇文章對你有幫助，不妨點個贊，讓我有更多動力寫出好文章。