神经网络在运算过程中实际上是以Tensor为格式进行计算的，我们只需稍稍改动一下forward函数即可从运算过程中抓到Tensor
代码如下：
base_feature = self.extractor.forward(x) #正常的前向传递 feature=base_feature.detach() #抓取tensor feature_imshow(feature) #展示函数（关键代码）
通过将过程张量赋值给一个临时变量，即可将其从前向传递中分离出来且不影响原来的前向传递函数，这种方法远比复杂的hook函数更实用。
将Tensor数据取到后到可视化还需要进行以下几步：
如果网络是在cuda中进行运算，则需要将提取到的tensor转换为cpu类型才能进行接下来的运算
inp = inp.cpu() #类型转换
网络中的张量一般是高维度的，需要对其进行降维，一般降至两维即可进行显示。这里以Faster R-CNN中的resnet50特征提取网络为例：输出其特征图尺寸为：[1,1024,68,38]，可以很明显的看出，第一维实际上是batch_size，在图像显示中不需要，可以直接去除；第二维1024则是网络提取到的特征图张数，故可以对第二维进行遍历；而第3,4维是特征图的尺寸，直接显示即可。
inp=inp.squeeze(0) #除去第一维
for i in range(len(inp)):
plt.imshow(transforms.ToPILImage()(inp[i])) #遍历第二维并将其转换为图像选取你需要的特征图像，进行保存或使用plt进展示
完整的展示函数如下：
def feature_imshow(inp, title=None):
inp = inp.cpu()
inp=inp.squeeze(0)
print(inp.shape)
plt.figure(figsize=(12, 7))
for i in range(len(inp)):
plt.subplot(4, 5, i+1) #第一二个参数为图像个数，第三参数为图像位置
plt.imshow(transforms.ToPILImage()(inp[i]))
i+=1
plt.show()
plt.pause(0.001)
