深度学习（九）caffe预测、特征可视化python接口调用

caffe预测、特征可视化python接口调用

原文地址：http://blog.csdn.net/hjimce/article/details/48972877

作者：hjimce

网上有很多caffe训练好的模型，有的时候我们仅仅想要方便的调用已经训练好的模型，利用python进行预测分类测试，查看可视化结果，这个时候，我们可以使用caffe为我们写好的python接口文件，我们在安装caffe的时候，有一步：make  pycaffe。这个便是安装caffe的python 结果函数，把自己用的代码记录一下，以便日后直接复制粘贴使用。感觉使用python就是轻松，如果用caffe的c++接口，挺麻烦的。

下面的使用例子是自己搞利用CNN进行性别预测的python接口调用实例：

[python] view plain copy

 

1. # coding=utf-8  
2. import os  
3. import numpy as np  
4. from matplotlib import pyplot as plt  
5. import cv2  
6. import shutil  
7. import time  
8.   
9. #因为RGB和BGR需要调换一下才能显示  
10. def showimage(im):  
11.     if im.ndim == 3:  
12.         im = im[:, :, ::-1]  
13.     plt.set_cmap('jet')  
14.     plt.imshow(im)  
15.     plt.show()  
16.   
17. #特征可视化显示，padval用于调整亮度  
18. def vis_square(data, padsize=1, padval=0):  
19.     data -= data.min()  
20.     data /= data.max()  
21.   
22.     #因为我们要把某一层的特征图都显示到一个figure上，因此需要计算每个图片占用figure多少比例，以及绘制的位置  
23.     n = int(np.ceil(np.sqrt(data.shape[0])))  
24.     padding = ((0, n ** 2 - data.shape[0]), (0, padsize), (0, padsize)) + ((0, 0),) * (data.ndim - 3)  
25.     data = np.pad(data, padding, mode='constant', constant_values=(padval, padval))  
26.   
27.     # tile the filters into an image  
28.     data = data.reshape((n, n) + data.shape[1:]).transpose((0, 2, 1, 3) + tuple(range(4, data.ndim + 1)))  
29.     data = data.reshape((n * data.shape[1], n * data.shape[3]) + data.shape[4:])  
30.   
31.     showimage(data)  
32.   
33.   
34. #设置caffe源码所在的路径  
35. caffe_root = '../../../caffe/'  
36. import sys  
37. sys.path.insert(0, caffe_root + 'python')  
38. import caffe  
39.   
40.   
41.   
42.   
43. #加载均值文件  
44. mean_filename='./imagenet_mean.binaryproto'  
45. proto_data = open(mean_filename, "rb").read()  
46. a = caffe.io.caffe_pb2.BlobProto.FromString(proto_data)  
47. mean  = caffe.io.blobproto_to_array(a)[0]  
48.   
49. #创建网络，并加载已经训练好的模型文件  
50. gender_net_pretrained='./caffenet_train_iter_1500.caffemodel'  
51. gender_net_model_file='./deploy_gender.prototxt'  
52. gender_net = caffe.Classifier(gender_net_model_file, gender_net_pretrained,mean=mean,  
53.                        channel_swap=(2,1,0),#RGB通道与BGR  
54.                        raw_scale=255,#把图片归一化到0~1之间  
55.                        image_dims=(256, 256))#设置输入图片的大小  
56.   
57.   
58. #预测分类及其可特征视化  
59. gender_list=['Male','Female']  
60. input_image = caffe.io.load_image('1.jpg')#读取图片  
61.   
62. prediction_gender=gender_net.predict([input_image])#预测图片性别  
63. #打印我们训练每一层的参数形状  
64. print 'params:'  
65. for k, v in gender_net.params.items():  
66.     print 'weight:'  
67.     print (k, v[0].data.shape)#在每一层的参数blob中，caffe用vector存储了两个blob变量，用v[0]表示weight  
68.     print 'b:'  
69.     print (k, v[1].data.shape)#用v[1]表示偏置参数  
70. #conv1滤波器可视化  
71. filters = gender_net.params['conv1'][0].data  
72. vis_square(filters.transpose(0, 2, 3, 1))  
73. #conv2滤波器可视化  
74. '''''filters = gender_net.params['conv2'][0].data 
75. vis_square(filters[:48].reshape(48**2, 5, 5))'''  
76. #特征图  
77. print 'feature maps:'  
78. for k, v in gender_net.blobs.items():  
79.     print (k, v.data.shape);  
80.     feat = gender_net.blobs[k].data[0,0:4]#显示名字为k的网络层,第一张图片所生成的4张feature maps  
81.     vis_square(feat, padval=1)  
82.   
83.   
84.   
85.   
86.   
87. #显示原图片，以及分类预测结果  
88. str_gender=gender_list[prediction_gender[0].argmax()]  
89. print str_gender  
90.   
91. plt.imshow(input_image)  
92. plt.title(str_gender)  
93. plt.show()  

**********************作者：hjimce   时间：2015.10.11   地址：http://blog.csdn.net/hjimce   原创文章，版权所有，转载请保留本行信息********************