深度学习文章4：计算图像数据集的均值

在前一篇文章中我们已经知道了如何将自己的图像数据转换为caffe需要的db文件深度学习文章3：将自己的图像数据转换成caffe需要的db(leveldb/lmdb)文件 ，在进行模型的训练之前，我们还需要进行一步，就是计算图像数据集的均值。

1.为什么计算图像数据的均值？

通常来讲，在各类深度学习模型中都具有计算图像均值的操作，这是因为图像减去均值后，再进行训练/测试，会大大提高速度和精度，这是我们在进行大量计算时希望可以达到的效果。

在caffe中，我们如何得到这个均值，实际上就是计算所有训练样本的平均值，计算出来后，保存为一个均值文件，在以后的测试中，就可以直接使用这个均值，而不需要重新对带测试的图像进行计算了。

在实际使用中，计算均值需要产生.binaryproto的均值文件，通常我们可以使用caffe提供的脚本直接计算，此外，如果在之后进行测试时也想使用均值，例如调用Python接口，就需要生成python接口.npy文件，这个文件可以由之前.binaryproto文件转换得来。下面我们将就这两个文件的产生进行详述。

2.二进制格式的均值文件

在caffe根目录下的build/tools/文件夹下，caffe为我们提供了计算均值的文件compute_mean.cpp，编译后在caffe根目录下的tools文件夹下，我们可以直接调用，需要注意的是，这里计算需要图像的db文件，我们这里以上篇博文深度学习文章3：将自己的图像数据转换成caffe需要的db(leveldb/lmdb)文件 产生的训练数据db文件为样例，我们之前的db文件存储在caffe根目录下的examples/myfile/img_train_lmdb文件夹下，以此为例，生成二进制格式均值文件：

cd ~/caffe/sudo build/tools/compute_image_mean examples/myfile/img_train_lmdb examples/myfile/mean.binaryproto
1
2
1
2

我们来简单分析下这条指令：

• 参数一：examples/myfile/img_train_lmdb，这是我们需要计算均值的训练图像数据集的db文件。
• 参数二：examples/myfile/mean.binaryproto，这是我们计算出来的均值文件的保存位置。

执行结合后可以看到身材高很多个二进制格式均值文件：

这个文件请保存好，在之后的模型训练中我们将使用到。

3.python格式所需要的的均值文件

在训练好模型之后，我们往往需要测试自己的单张图片的类别，通常会使用python接口或c++接口编程方式来实现，在python接口的使用中，我们需要使用python格式的均值文件，这里我们先讲解下生成的方法，便于之后直接使用。

计算python格式的均值文件需要两步：

• 第一步：按照上面生成二进制格式的均值文件的说明生成二进制格式的文件。
• 第二步：编写python脚本将二进制格式的均值文件转换。

新建一个名为convert_mean.py的文件，

cd ~/caffe/examples/myfile/sudo gedit convert_mean.py
1
2
1
2

具体的python脚本内容如下：

import numpy as npimport sys,caffeif len(sys.argv)!=3:    print "Usage: python convert_mean.py mean.binaryproto mean.npy"    sys.exit()blob = caffe.proto.caffe_pb2.BlobProto()bin_mean = open( sys.argv[1] , 'rb' ).read()blob.ParseFromString(bin_mean)arr = np.array( caffe.io.blobproto_to_array(blob) )npy_mean = arr[0]np.save( sys.argv[2] , npy_mean )
1
2
3
4
5
6
7
8
9
10
11
12
13
1
2
3
4
5
6
7
8
9
10
11
12
13

编辑好之后保存退出，然后调用脚本：

python convert_mean.py mean.binaryproto mean.npy
1
1

两个参数：

• 第一个参数：mean.binaryproto，二进制的均值文件名。
• 第二个参数：mean.npy，生成的python格式均值文件。

我们可以看到生成后的文件：

请保存好这个文件，在之后的单张图像的分类测试中，我们将使用到。