对于提取网络模型特征中的某一层特征的方法有多种多样，其实都很容易想到，只是作者在学习的过程中是0基础的python，很多地方都看不懂，因此特意写下一篇关于特征提取的通用方法，以备大家少踩点坑：

　　提取网络模型中的某一层特征，最简单的方法就是在构建网络模型的时候处理，在调用该模型的时候将特征值输出即可。

　　上代码：

 1 class Vgg16Model_pretrain(nn.Module):
 2     def __init__(self,vgg16 = vgg16_default):
 3         super(Vgg16Model_pretrain, self).__init__()
 4         ##vgg16的特征提取层
 5         self.features = vgg16.features
 6         ## 添加新的全连接层
 7         self.classifier = nn.Sequential(
 8             nn.Linear(25088, 512),
 9             nn.ReLU(),
10             nn.Dropout(p=0.5),
11             nn.Linear(512, 256),
12             nn.ReLU(),
13             nn.Dropout(p=0.5),
14             nn.Linear(256, vgg16numcluss),
15             nn.Softmax(dim=1)
16         )
17     ## 定义网络的向前传播路径
18     def forward(self, x):
19         x = self.features(x)
20         x = x.view(x.size(0), -1)
21         output = self.classifier(x)
22         output_fea=self.classifier[:2](x)
23         return output,output_fea

　　比如这个我通过传入的vgg16_default（第二行）网络（官方标准的vgg16网络结构，这里是为了加快训练网络模型而是用的预训练好的），只需要他的features层（有31层）

　　分类层由自己定义*添加，我这里输出分类数目是vgg16numcluss，

　　关键地方：在forward中的输出，可以*选定指定层次的输出，这里我多了一个output_fea的输出，其意义是输出分类层的第二层的高层特征（Relu），如果说想输出中层特征，也可以依照次方法填加一个中间变量，令y = self.features[:30](x)这样，就可以输出features层的第30层特征。

　　如何使用:

　　在提取代码中：

　　见16行，输出的第二个变量即为所得到的高层特征。

　　这里，对图像的预处理有归一化这一操作，其中的方差和平均值是对测试集计算得到的。

 1 test_data_transforms = transforms.Compose([
 2     # transforms.Resize(256),     # 重置图像分辨率
 3     transforms.ToTensor(),
 4     # transforms.CenterCrop(IMAGE_SIZE),
 5     transforms.Normalize([0.468636,0.470129,0.416165],[0.065697,0.060791,0.054082])  # 图像标准化处理
 6     # [0.468636,0.470129,0.416165],[0.065697,0.060791,0.054082]
 7 ])
 8 # 提取特征
 9 def extract_feature(model, imgpath):
10     transform = test_data_transforms   # 获取测试集所使用的transforms
11     model.to(device)                            # 加载到gpu
12     img = Image.open(imgpath)                   #
13     img = img.resize((224, 224))                # 该两个步骤是对图片处理，可以舍去，因为transforms会对其处理
14     tensor = transform(img).to(device)
15     tensor = tensor.resize_(1, 3, 224, 224)
16     _,result = model(Variable(tensor))
17     result_tensor = result.data.cpu()      # 转化回cpu的tensor类型
18     return result_tensor[0]