0、引入

我们在论文中通常可以看到下图这样的可视化效果，这就是使用t-SNE降维方法进行的可视化，当然除了t-SNE还有其他的比如PCA等降维等方法，关于这些算法的原理有很多文章可以借阅，这里不展开阐释，重点讲讲如何进行可视化。

1、基本原理

上面的图中一个点就是一个样本，我们需要明白的是一个样本用两个数值表示（x和y坐标），意味着原来高维的样本被降维到低维（2维）的空间中了。

比如在将一个样本图片输入到VGG网络中，在倒数第二了全连接层有4096个神经元，也就是该样本使用了4096维的向量表示。我们获取到这个向量表示后通过t-SNE进行降维，得到2维的向量表示，我们就可以在平面图中画出该点的位置。

我们清楚同一类的样本，它们的4096维向量是有相似性的，并且降维到2维后也是具有相似性的，所以在2维平面上面它们会倾向聚拢在一起。

可视化的过程中，大概步骤就是：

• 对于500张图片（样本）进行模型推理，获取倒数第二层的4096特征向量，同时获取到标签，至此我们有两个值data_embed=[500,4096]，label=[500,]
• 使用t-SNE降维，将data_embed降维后，每个样本用2维表示，即data_embed=[500,2]
• 使用plt将data_embed共500个样本绘制，并且同一类的颜色一致。

2、收集模型中的高维向量表示和标签

这一步主要是收集每个样本的高维特征及标签，高维特征是全连接层的输出，所以需要通过推理模型获取到（需要修改模型使同时输出全连接层输出）。

data_embed_collect=[]
label_collect=[]

for ......
	# inputs.shape=[BS,C,H,W]
	# embed_4096.shape=[BS,4096]
	# output.shape=[BS,1000]
	output,embed_4096=model(inputs)
	
	
	data_embed_collect.append(embed_4096)
	label_collect.append(label)
	......


# data_embed_collect.shape=[iters,BS,4096]
# label_collect.shape=[iters,BS,]

# 在这里，所有样本的4096特征都收集了，并且每个样本的标签也收集了
# data_embed_npy.shape=[samples,4096]
# label_npu.shape=[samples,]
data_embed_npy=torch.cat(data_embed_collect,axis=0).cpu().numpy()
label_npu=torch.cat(label_collect,axis=0).cpu().numpy()

np.save("data_embed_npy.npy",data_embed_npy)
np.save("label_npu.npy",label_npu).

3、进行t-SNE降维并可视化

代码也简单，首先调用t-SNE进行降维降到2维，然后使用plt将2维定位坐标进行绘制，代码如下：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.manifold import TSNE


def get_fer_data(data_path="vis_fer_data.npy",
                 label_path="vis_fer_label.npy"):
    """
	该函数读取上一步保存的两个npy文件，返回data和label数据
    Args:
        data_path:
        label_path:

    Returns:
        data: 样本特征数据，shape=(BS,embed)
        label: 样本标签数据，shape=(BS,)
        n_samples :样本个数
        n_features：样本的特征维度

    """
    data = np.load(data_path)
    label = np.load(label_path)
    n_samples, n_features = data.shape

    return data, label, n_samples, n_features

color_map = ['r','y','k','g','b','m','c'] # 7个类，准备7种颜色
def plot_embedding_2D(data, label, title):
	"""
	
	"""
    x_min, x_max = np.min(data, 0), np.max(data, 0)
    data = (data - x_min) / (x_max - x_min)
    fig = plt.figure()
    for i in range(data.shape[0]):
        plt.plot(data[i, 0], data[i, 1],marker='o',markersize=1,color=color_map[label[i]])
    plt.xticks([])
    plt.yticks([])
    plt.title(title)
    return fig


def main():
    data, label, n_samples, n_features = get_fer_data()  # 根据自己的路径合理更改

    print('Begining......') 	

	# 调用t-SNE对高维的data进行降维，得到的2维的result_2D，shape=(samples,2)
    tsne_2D = TSNE(n_components=2, init='pca', random_state=0) 
    result_2D = tsne_2D.fit_transform(data)
    
    print('Finished......')
    fig1 = plot_embedding_2D(result_2D, label, 't-SNE')	# 将二维数据用plt绘制出来
    fig1.show()
    plt.pause(50)
    
if __name__ == '__main__':
    main()

7个类，共计3589个样本降维到2维后的效果：