在cifar-10数据集上t-sne可视化效果最好(๑•̀ㅂ•́)و✧

还是需要在python上面保存模型，加载模型，然后提取特征保存为mat文件就行了（但我现在只加载了64维特征，4096维特征还没试过，估计也可以但应该会又慢又不好看）

①先放matlab可视化t-sne的代码

% 加载特征数据
data = load('10_157_ckpt.pth.mat');
features = data.features;
labels = data.labels;
 
% 执行 t-SNE 降维
% 这里的参数可以根据你的需求进行调整
X_reduced = tsne(features, 'Algorithm', 'exact', 'NumDimensions', 2, 'Perplexity', 30);
 
% 绘制 t-SNE 可视化图
figure;
gscatter(X_reduced(:,1), X_reduced(:,2), labels);
title('t-SNE Visualization');
xlabel('t-SNE Dimension 1');
ylabel('t-SNE Dimension 2');
legend('Location', 'best');
grid on;
 

效果

②读取模型，提取特征保存为mat（现在不太推荐了）

import torch
from torch.utils.data import DataLoader
from cifar.resnet import ResNet32
from cifar.data_utils import *
import numpy as np
import scipy.io
 
# 设置参数
batch_size = 100
checkpoint_path = '//home/zy/pycharm/project/MetaSAug-main/ImageNet_iNat/models/resnet50_uniform_e90.pth.tar'  # 模型的路径，你需要替换成你保存的模型的路径
output_file = '/home/zy/pycharm/project/MetaSAug-main/yangzy/TEST_159_ckpte90.pth.mat'  # 特征保存的文件名，可以是.mat格式
 
# 建立数据加载器
_, train_dataset, test_dataset = build_dataset('cifar100', 100)  # 假设你使用的是CIFAR-100数据集
 
train_loader = torch.utils.data.DataLoader(
    train_dataset, batch_size=batch_size, shuffle=True)
 
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)
 
 
 
# 建立模型
model = ResNet32(num_classes=100)  # 假设你使用的是CIFAR-100数据集
checkpoint = torch.load(checkpoint_path)
model.load_state_dict(checkpoint['state_dict'])
model.eval()
 
# 设置设备
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = model.to(device)
 
# 提取特征
features_list = []
labels_list = []
with torch.no_grad():
    for inputs, labels in test_loader:
        inputs = inputs.to(device)
        # 使用模型前向传播获取特征
        features, _ = model(inputs, 4096)
        features_list.append(features.cpu().numpy())
        labels_list.append(labels.numpy())
 
# 将特征保存为.mat文件
features_array = np.concatenate(features_list, axis=0)
labels_array = np.concatenate(labels_list, axis=0)
output_dict = {'features': features_array, 'labels': labels_array}
scipy.io.savemat(output_file, output_dict)
 
print("Features saved to", output_file)