### 使用Python构建CNN模型以提取图像特征 要使用Python实现卷积神经网络（CNN）进行图片特征提取，可以选择流行的深度学习框架如PyTorch或TensorFlow。以下是两种方法的具体实现方式。 #### PyTorch 实现 CNN 特征提取 在PyTorch中，可以通过定义一个简单的CNN结构并加载预训练权重来完成特征提取任务。以下是一个完整的代码示例： ```python import torch import torch.nn as nn from torchvision import models, transforms from PIL import Image class FeatureExtractor(nn.Module): def __init__(self): super(FeatureExtractor, self).__init__() # 加载预训练的ResNet模型 self.model = models.resnet50(pretrained=True) # 移除最后的全连接层以便只保留特征提取部分 self.feature_extractor = nn.Sequential(*list(self.model.children())[:-1]) def forward(self, x): return self.feature_extractor(x) def extract_features(image_path): transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) image = Image.open(image_path).convert('RGB') image_tensor = transform(image).unsqueeze(0) # 添加批次维度 model = FeatureExtractor() model.eval() # 设置为评估模式 with torch.no_grad(): features = model(image_tensor) return features.squeeze().numpy() # 调用函数提取特征 features = extract_features("example.jpg") print(features.shape) # 输出特征向量的形状 ``` 上述代码展示了如何利用预训练的ResNet模型提取图像特征[^1]。通过删除最后一层全连接层，仅保留前面的卷积层和池化层即可获得图像的高级特征表示。 #### TensorFlow/Keras 实现 CNN 特征提取 如果更倾向于使用TensorFlow，则可以借助Keras API轻松创建类似的CNN特征提取器： ```python from tensorflow.keras.applications import VGG16 from tensorflow.keras.preprocessing.image import load_img, img_to_array from tensorflow.keras.models import Model import numpy as np base_model = VGG16(weights='imagenet', include_top=True) model = Model(inputs=base_model.input, outputs=base_model.get_layer('fc2').output) def preprocess_image(path): img = load_img(path, target_size=(224, 224)) img_array = img_to_array(img) expanded_img = np.expand_dims(img_array, axis=0) preprocessed_input = tf.keras.applications.vgg16.preprocess_input(expanded_img) return preprocessed_input image_data = preprocess_image("example.jpg") features = model.predict(image_data) print(features.shape) # 打印特征向量大小 ``` 这段代码同样基于VGG16这一经典CNN架构，截取其中间某一层输出作为最终的特征表达形式[^2]。 无论是采用哪种工具链，在实际操作过程中都需要考虑输入数据标准化以及批量处理效率等因素的影响。