可视化网络的特征层，假如resnet网络输出的特征维度是(batch_size,512). 如果要可视化测试集的每个图片的512高维度特征分布呢？

embeds = resnet18(x)，embeds是(batch_size,512)高维度特征。如下可视化。

import torch
import matplotlib.pyplot as plt
from sklearn.manifold import TSNE
from sklearn.utils import shuffle


def plot_tsne(labels, embeds, filename):
    """
    可视化特征分布
    embeds: (image_num,512). torch.float32
    labels: (image_num,). torch.bool。控制绘制类别颜色，如果只是绘制特征的空间分布位置，则不要label
    """
    # 初始化t-SNE模型
    """
    n_components: 指定降维后的维度数量
    verbose: 控制算法运行时输出的信息量。设置为1时，会打印出算法的迭代过程等信息；设置为0则不会打印任何信息。
    perplexity: 这个参数可以被看作是每个点的有效邻域大小。它平衡了局部和全局结构的权重。较小的值会使t-SNE更关注局部结构，
    而较大的值则更倾向于保留全局结构。通常在5到50之间选择一个合适的值，但这个最佳值可能依赖于数据集的具体情况。
    n_iter: t-SNE算法的迭代次数。更多的迭代次数可能会导致更好的结果，但也会增加计算时间。通常，推荐至少设置250次以上的迭代以获得可靠的结果。
    """
    tsne = TSNE(n_components=2, verbose=1, perplexity=30, n_iter=500)
    # 打乱嵌入向量和标签
    embeds, labels = shuffle(embeds, labels)
    # 将(image_num,512)降为到(image_num,2)
    tsne_results = tsne.fit_transform(embeds)

    # 创建图形
    fig, ax = plt.subplots(1)
    colormap = ["b", "r", "c", "y"]  # 传入label的意义就是绘制时，label为1，则绘制点为红色，为0则是蓝色。

    # 绘制散点图
    ax.scatter(x=tsne_results[:, 0], y=tsne_results[:, 1], color=[colormap[l] for l in labels])
    fig.savefig(filename)
    plt.close()


# get embeddings for test data 可视化整个测试集的所有图片
labels = torch.cat(labels)  # （image_num,)
embeds = torch.cat(embeds)  # 特征层(image_num,512)

# norm embeds 测试集
# p: 范数的类型。p=2 表示使用L2范数（欧几里得范数）。其他常见的选项包括 p=1（L1范数）和 p=float('inf')（无穷范数）。
# dim: 指定归一化的维度。
embeds = torch.nn.functional.normalize(embeds, p=2, dim=1)  # (test_image_num,512)

# plot tsne
plot_tsne(labels, embeds, "tsne.png")