使用ResNet18预训练模型做推理

        import torch
        import torchvision.transforms as transforms
        from PIL import Image
        import numpy as np
        import matplotlib.pyplot as plt

        # 图片路径列表
        image_paths = ['pic/image0.png', 'pic/image1.png','pic/image2.png','pic/image3.png','pic/image4.png','pic/image5.png','pic/image6.png', 'pic/image7.png']

        # 定义预处理步骤
        transform = transforms.Compose([
            transforms.Resize((100, 100)),  # 调整图片大小
            transforms.ToTensor(),         # 转换为张量
            transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])  # 标准化
            #对图片进行标准化处理，使用的均值和标准差是常用于预训练模型的ImageNet参数。
        ])

        # 读取并预处理图片
        images = [transform(Image.open(path).convert('RGB')) for path in image_paths]

        # 将图片列表转换为一个张量
        input_tensor = torch.stack(images)  # Shape: [8, 3, 50, 100]

        # 定义卷积层
        m = nn.Conv2d(3, 4, 3, stride=1)

        # 应用卷积层
        output = m(input_tensor)

        # 打印输出
        print(m)
        print(input_tensor.shape)
        print(output.shape)
        #print(input_tensor)
        #print(output)


        images = [Image.open(path).resize((100, 100)) for path in image_paths]
        input_img = [np.array(img) for img in images]

        # 水平拼接图片
        concatenated_image = np.hstack(input_img)

        # 使用matplotlib显示图片
        plt.imshow(concatenated_image)
        plt.axis('off')  # 不显示坐标轴
        plt.show()  
        

        
        # 转换输出张量为numpy数组，并进行适当的处理以便于显示
        output_np = output.detach().numpy()  # 转换为numpy数组
        output_np = output_np.transpose(0, 2, 3, 1)  # 重排维度为 [batch_size, height, width, channels]
        #output_np = output_np.reshape(8, 50, 100, 4)  # 确保形状正确

        # 创建一个大的画布来显示所有的特征图
        fig, axs = plt.subplots(4, 8, figsize=(10, 10))  # 创建8行4列的子图
        #figsize=(10, 20): 这个参数指定了整个图形的大小，单位为英寸。这里的10是图形的宽度，20是图形的高度。

        for i in range(4):  # 遍历每个样本
            for j in range(8):  # 遍历每个输出通道
                # 显示第i个样本的第j个通道
                axs[i, j].imshow(output_np[j, :, :, i], cmap='gray',aspect='auto')
                axs[i, j].axis('off')  # 关闭坐标轴

        plt.show()
        
    

        
        import numpy as np
        import matplotlib.pyplot as plt
        from mpl_toolkits.mplot3d import Axes3D
        #mpl_toolkits.mplot3d是matplotlib的一个工具包，用于生成3D图形。
        # 假设 weights 是从卷积层中提取的权重，形状为 (4, 3, 3, 3) 表示4个3x3x3的卷积核
        weights = m.weight.data.numpy()
        print(weights.shape)
        min_val = np.min(weights)
        max_val = np.max(weights)

        # 归一化权重
        weights = (weights - min_val) / (max_val - min_val)

        #weights = np.random.rand(4, 3, 3, 3)  # 使用随机数据作为示例
        #print(weights.shape)

        fig = plt.figure(figsize=(12, 10))

        # 遍历所有4个卷积核
        for idx in range(4):
            ax = fig.add_subplot(1, 4, idx + 1, projection='3d')
            kernel = weights[idx]

            # 遍历卷积核中的每个值
            for i in range(kernel.shape[0]):
                for j in range(kernel.shape[1]):
                    for k in range(kernel.shape[2]):
                        # 使用权重值设置透明度
                        alpha = kernel[i, j, k]
                        # 绘制立方体
                        ax.bar3d(i, j, k, 1, 1, 1, alpha=alpha, color='orange', edgecolor='black')

            ax.set_title(f'Kernel {idx + 1}')
            ax.set_xlabel('X')
            ax.set_ylabel('Y')
            ax.set_zlabel('Z')
            ax.set_xlim([0, 3])
            ax.set_ylim([0, 3])
            ax.set_zlim([0, 3])

        plt.tight_layout()
        plt.show()