当前位置：首页 > article >正文

【实战】使用PCA可视化神经网络提取后的特征空间【附源码】

article 2026/4/3 18:59:48

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称	项目名称
1.【人脸识别与管理系统开发】	2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】	4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】	6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】	8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】	10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】	12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】	14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】	16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】	18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】	20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】	22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】	24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】	26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】	28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】	30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】	32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】	34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】	36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】
37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】	38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】
39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】	40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】
41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】	42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】
43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】	44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】
45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】	46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】	48.【基于深度学习的车辆检测追踪与流量计数系统】
49.【基于深度学习的行人检测追踪与双向流量计数系统】	50.【基于深度学习的反光衣检测与预警系统】
51.【基于深度学习的危险区域人员闯入检测与报警系统】	52.【基于深度学习的高密度人脸智能检测与统计系统】
53.【基于深度学习的CT扫描图像肾结石智能检测系统】	54.【基于深度学习的水果智能检测系统】
55.【基于深度学习的水果质量好坏智能检测系统】	56.【基于深度学习的蔬菜目标检测与识别系统】
57.【基于深度学习的非机动车驾驶员头盔检测系统】	58.【太基于深度学习的阳能电池板检测与分析系统】
59.【基于深度学习的工业螺栓螺母检测】	60.【基于深度学习的金属焊缝缺陷检测系统】
61.【基于深度学习的链条缺陷检测与识别系统】	62.【基于深度学习的交通信号灯检测识别】
63.【基于深度学习的草莓成熟度检测与识别系统】	64.【基于深度学习的水下海生物检测识别系统】
65.【基于深度学习的道路交通事故检测识别系统】	66.【基于深度学习的安检X光危险品检测与识别系统】
67.【基于深度学习的农作物类别检测与识别系统】	68.【基于深度学习的危险驾驶行为检测识别系统】
69.【基于深度学习的维修工具检测识别系统】	70.【基于深度学习的维修工具检测识别系统】
71.【基于深度学习的建筑墙面损伤检测系统】	72.【基于深度学习的煤矿传送带异物检测系统】
73.【基于深度学习的老鼠智能检测系统】	74.【基于深度学习的水面垃圾智能检测识别系统】
75.【基于深度学习的遥感视角船只智能检测系统】	76.【基于深度学习的胃肠道息肉智能检测分割与诊断系统】
77.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】	78.【基于深度学习的心脏超声图像间隔壁检测分割与分析系统】
79.【基于深度学习的果园苹果检测与计数系统】	80.【基于深度学习的半导体芯片缺陷检测系统】
81.【基于深度学习的糖尿病视网膜病变检测与诊断系统】	82.【基于深度学习的运动鞋品牌检测与识别系统】
83.【基于深度学习的苹果叶片病害检测识别系统】	84.【基于深度学习的医学X光骨折检测与语音提示系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

引言

主成分分析（PCA）是一种强大的降维技术，用于分析高维数据并可视化其中的模式或变化。在这篇博客中，我们将使用PyTorch在实际环境中探索PCA可视化。通过利用PCA，我们可以更深入地了解特征空间，了解数据分布，并为更好的机器学习模型性能准备数据集。让我们深入了解细节。

什么是PCA？

PCA是一种统计方法，它减少了数据的维度，同时保留了尽可能多的可变性。它将数据转换为一组新的正交轴（主成分），其中前几个成分捕获数据中的大部分方差。PCA广泛用于：

数据可视化：将数据还原为2D或3D以进行绘图。
特征缩减：删除冗余特征以简化模型。
领域理解：突出特征分布的差异。

为什么在计算机视觉中使用PCA？

在计算机视觉中，像ResNet50这样的模型从图像中提取高维特征。这些特征由于其复杂性而难以解释。PCA有助于：

可视化聚类：识别特征空间中的模式和聚类。
了解可变性：检测特征在类或条件之间的差异。
数据集：确保有意义的特征表示。

使用PyTorch实现PCA可视化

我们将使用从预训练的ResNet50模型中提取的特征，并使用PCA对其进行可视化。

步骤1：配置环境

首先，安装必要的库：

pip install torch torchvision matplotlib scikit-learn

步骤2：加载预训练的ResNet50

import torch
import torchvision.models as models
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
from torchvision.datasets import ImageFolder
# Load ResNet50 Model
resnet50 = models.resnet50(pretrained=True)
resnet50.eval()  # Set the model to evaluation mode# Remove the final classification layer to get features
feature_extractor = torch.nn.Sequential(*list(resnet50.children())[:-1])

步骤3：准备数据集

将数据集组织成与PyTorch的ImageFolder兼容的结构：

images/class1/image1.jpgimage2.jpgclass2/image3.jpgimage4.jpg

加载数据集并应用必要的转换：

transform = transforms.Compose([transforms.Resize((224, 224)),transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])
dataset = ImageFolder('images', transform=transform)
dataloader = DataLoader(dataset, batch_size=16, shuffle=False)

步骤4：提取特征

使用ResNet50迭代数据集并提取特征：

features = []
labels = []
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
feature_extractor = feature_extractor.to(device)
with torch.no_grad():for images, targets in dataloader:images = images.to(device)outputs = feature_extractor(images).squeeze()  # Remove singleton dimensionsfeatures.append(outputs.cpu().numpy())labels.append(targets.numpy())
# Combine features and labels
features = np.concatenate(features, axis=0)
labels = np.concatenate(labels, axis=0)
# Flatten features (2048x1) for PCA
features = features.reshape(features.shape[0], -1)

步骤5：使用PCA

使用sklearn.decomposition.PCA将维度减少到2，以实现可视化：

from sklearn.decomposition import PCA
import matplotlib.pyplot as plt
import numpy as np
# Apply PCA
pca = PCA(n_components=2)
reduced_features = pca.fit_transform(features)

步骤6：可视化结果

绘制简化的特征：

plt.figure(figsize=(10, 8))
scatter = plt.scatter(reduced_features[:, 0], reduced_features[:, 1], c=labels, cmap='viridis', alpha=0.7)
plt.colorbar(scatter, label='Class Labels')
plt.xlabel('Principal Component 1')
plt.ylabel('Principal Component 2')
plt.title('PCA Visualization of ResNet50 Features')
plt.show()

PCA可视化分析

聚类分离：PCA有助于识别由不同类别形成的聚类。良好分离的聚类表明ResNet50特征是有意义的和可区分的。
聚类结果的解释：

举例说明：

由于一致的成像条件，机器人图像可以形成更紧密的集群。
由于环境的变化，无人机图像可能会显示分散的集群。

数据集验证：

重叠的聚类可能表示跨类的相似特征，需要额外的预处理或数据集细化。

探索差异：

检查主成分的解释方差比：

print("Explained Variance Ratio:", pca.explained_variance_ratio_)

结论

PCA是分析高维特征空间的宝贵工具，特别是在计算机视觉任务中。通过将PyTorch的ResNet50用于特征提取与PCA可视化相结合，我们可以：

深入了解数据集。
创建要素表达。
识别模式以更好地设计模型。

此工作流程对于分割任务、分类问题和理解不同成像条件下的特征分布特别有用。

在这里插入图片描述

好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

目录

引言