MXNet获取特征输出

在网上下载的MXNet预训练模型常常是完整的，但是在实际应用中，我们一般只需要网络中某一层作为特征提取，这个时候就需要重建模型，使得网络最后的输出是特征。

加载预训练模型

加载模型使用model.FeedForward.load就可以了，后面的参数分别是模型的名字、迭代次数和batch大小，需要根据实际模型进行修改：

import mxnet as mx import numpy as np model=mx.model.FeedForward.load('model_name',1,num_batch_size=1)

找到特征层

别人训练好的模型我们常常不知道有哪些层，这时候需要列出所有的层，以便于我们找到特征层：

internals=model.symbol.get_internals() #list all symbol internals.list_outputs()

列出网络中所有的层，像这样：

['data', 'conv1_weight', 'conv1_bias', 'conv1_output', 'slice1_output0', 'slice1_output1', '_maximum0_output', …… …… 'slice_fc1_output0', 'slice_fc1_output1', '_maximum9_output', 'drop1_output', 'fc2_weight', 'fc2_bias', 'fc2_output', 'softmax_label', 'softmax_output']

重建符号与模型

比如我们要把drop1_output作为输出特征：

fea_symbol=internals['drop1_output'] #choose feature layer feature_extractor=mx.model.FeedForward(symbol=fea_symbol,numpy_batch_size=1,arg_params=model.arg_params,aux_params=model.aux_params,allow_extra_params=True)

这里的feature_extractor就是我们的新模型。

重新保存

得到的新模型当然要保存下来：

feature_extractor.save('new_model_name',1) #save new symbol and model

模型名字要根据自己的情况做一些修改。

测试一下：

new_model=mx.model.FeedForward.load('new_model_name',1,num_batch_size=1)

完整代码

完整代码在我的GitHub上：

https://github.com/flyingzhao/RebuildModel

相关issue：

https://github.com/dmlc/mxnet/issues/3883