1、特征提取流程简介
CNN 能从局部到整体逐步学习图像结构，前几层学到的特征通常是通用的（如边缘），后面是特定任务的（如人脸、动物），在迁移学习中，常使用 CNN 的前几层作为特征提取器，冻结它们权重，仅训练后面的分类器。
| 步骤 | 名称 | 作用说明 |
|---|---|---|
| 1 | 输入图像 | 输入通常为 RGB 图像，形状为 (C, H, W)，例如 (3, 224, 224)。 |
| 2 | 卷积层 | 使用多个卷积核滑动窗口提取图像的局部特征（如边缘、纹理等）。 |
| 3 | 激活函数（ReLU） | 添加非线性能力，使模型可以学习复杂模式。 |
| 4 | 池化层 | 减少空间维度、压缩信息，保留关键特征（如最大池化 MaxPooling）。 |
| 5 | 重复卷积+池化 | 多层堆叠提取更高级的特征（从边缘到形状，再到语义特征）。 |
| 6 | 展平（Flatten） | 将多维特征图转为一维向量，用于后续分类或其他任务。 |
| 7 | 分类层（可选） | 如果用于分类，则连接全连接层 + softmax 输出预测类别。 |
2、特征提取器
特征提取器（Feature Extractor） 是指提取输入数据（通常是图像）的深层次特征的一段神经网络。它可以是自定义的 CNN 模块，也可以是使用预训练模型（如 ResNet、VGG）的一部分。
import torch
import torch.nn as nn
# 用于提取中间特征的模块
class Feature_extractor(nn.Module):
def __init__(self):
super(Feature_extractor, self).__init__()
self.feature = None
def forward(self, input):
self.feature = input.clone()
return input
# 模拟已有 CNN（可替换为 torchvision.models.resnet18 等）
cnn = nn.Sequential(
nn.Conv2d(3, 8, kernel_size=3, padding=1),
nn.ReLU(),
nn.Conv2d(8, 16, kernel_size=3, padding=1),
nn.ReLU(),
nn.MaxPool2d(2),
nn.Conv2d(16, 32, kernel_size=3, padding=1),
nn.ReLU(),
)
# 创建新网络
new_net = nn.Sequential().cuda()
target_layers = ["conv_1", "conv_2", "conv_4"] # 要提取的层
extractors = {} # 用于保存 extractor 层引用
i = 1
for layer in list(cnn):
if isinstance(layer, nn.Conv2d):
name = f"conv_{i}"
new_net.add_module(name, layer)
if name in target_layers:
extractor = Feature_extractor()
new_net.add_module(f"extractor_{i}", extractor)
extractors[name] = extractor
i += 1
elif isinstance(layer, nn.ReLU):
new_net.add_module(f"relu_{i}", layer)
elif isinstance(layer, nn.MaxPool2d):
new_net.add_module(f"pool_{i}", layer)
# 模拟输入图像
your_image = torch.randn(1, 3, 32, 32).cuda()
output = new_net(your_image)
# 提取特征：例如 conv_4 的特征
print(extractors["conv_4"].feature.shape) # 输出特征图尺寸