一、获取Tensor

        神经网络在运算过程中实际上是以Tensor为格式进行计算的，我们只需稍稍改动一下forward函数即可从运算过程中抓到Tensor

        代码如下：

base_feature = self.extractor.forward(x)    #正常的前向传递
feature=base_feature.detach()               #抓取tensor
feature_imshow(feature)                     #展示函数（关键代码）

        通过将过程张量赋值给一个临时变量，即可将其从前向传递中分离出来且不影响原来的前向传递函数，这种方法远比复杂的hook函数更实用。

        将Tensor数据取到后到可视化还需要进行以下几步：

                ①类型转换

                        如果网络是在cuda中进行运算，则需要将提取到的tensor转换为cpu类型才能进行接下来的运算

inp = inp.cpu()        #类型转换

                ②张量拆解

                        网络中的张量一般是高维度的，需要对其进行降维，一般降至两维即可进行显示。这里以Faster R-CNN中的resnet50特征提取网络为例：输出其特征图尺寸为：[1,1024,68,38]，可以很明显的看出，第一维实际上是batch_size，在图像显示中不需要，可以直接去除；第二维1024则是网络提取到的特征图张数，故可以对第二维进行遍历；而第3,4维是特征图的尺寸，直接显示即可。

inp=inp.squeeze(0)    #除去第一维

for i in range(len(inp)):
    plt.imshow(transforms.ToPILImage()(inp[i]))    #遍历第二维并将其转换为图像

                ③图像展示

                        选取你需要的特征图像，进行保存或使用plt进展示

                完整的展示函数如下：

def feature_imshow(inp, title=None):
    inp = inp.cpu()
    inp=inp.squeeze(0)
    print(inp.shape)
    plt.figure(figsize=(12, 7))
    for i in range(len(inp)):
        plt.subplot(4, 5, i+1)    #第一二个参数为图像个数，第三参数为图像位置
        plt.imshow(transforms.ToPILImage()(inp[i]))
        i+=1
    plt.show()
    plt.pause(0.001)