Caffe学习系列：初识数据可视化

首先将caffe的根目录作为当前目录，然后加载caffe程序自带的小猫图片，并显示。

图片大小为360x480，三通道

In [1]:

import numpy as npimport matplotlib.pyplot as plt%matplotlib inlineimport caffecaffe_root='/home/xxx/caffe/'import os,sysos.chdir(caffe_root)sys.path.insert(0,caffe_root+'python')im = caffe.io.load_image('examples/images/cat.jpg')print im.shapeplt.imshow(im)plt.axis('off')

 

(360, 480, 3)

Out[1]:(-0.5, 479.5, 359.5, -0.5)

 

打开examples/net_surgery/conv.prototxt文件，修改两个地方

一是将input_shape由原来的是（1，1，100，100）修改为(1,3,100,100),即由单通道灰度图变为三通道彩色图。

二是将过滤器个数(num_output)由3修改为16，多增加一些filter, 当然保持原来的数不变也行。

其它地方不变，修改后的prototxt如下：只有一个卷积层

In [2]:

! cat examples/net_surgery/conv.prototxt

 

# Simple single-layer network to showcase editing model parameters.name: "convolution"input: "data"input_shape {  dim: 1  dim: 3  dim: 100  dim: 100}layer {  name: "conv"  type: "Convolution"  bottom: "data"  top: "conv"  convolution_param {    num_output: 16    kernel_size: 5    stride: 1    weight_filler {      type: "gaussian"      std: 0.01    }    bias_filler {      type: "constant"      value: 0    }  }}

 

将图片数据加载到blobs，但反过来，我们也可以反过来从blob中提取出原始数据，并进行显示。

显示的时候要注意各维的顺序，如blobs的顺序是(1,3,360,480),从前往后分别表示1张图片，3三个通道，

图片大小为360x480，需要调用transpose改变为(360,480,3)才能正常显示。

其中用data[0]表示第一张图片，下标从0开始，此例只有一张图片，因此只能是data[0].

分别用data[0,0],data[0,1]和data[0,2]表示该图片的三个通道。

In [3]:

net = caffe.Net('examples/net_surgery/conv.prototxt', caffe.TEST)im_input=im[np.newaxis,:,:,:].transpose(0,3,1,2)print "data-blobs:",im_input.shapenet.blobs['data'].reshape(*im_input.shape)net.blobs['data'].data[...] = im_inputplt.imshow(net.blobs['data'].data[0].transpose(1,2,0))plt.axis('off')

 

data-blobs: (1, 3, 360, 480)

Out[3]:(-0.5, 479.5, 359.5, -0.5)

编写一个show_data函数来显示数据

In [4]:

plt.rcParams['image.cmap'] = 'gray'def show_data(data,head,padsize=1, padval=0):    data -= data.min()    data /= data.max()        # force the number of filters to be square    n = int(np.ceil(np.sqrt(data.shape[0])))    padding = ((0, n ** 2 - data.shape[0]), (0, padsize), (0, padsize)) + ((0, 0),) * (data.ndim - 3)    data = np.pad(data, padding, mode='constant', constant_values=(padval, padval))        # tile the filters into an image    data = data.reshape((n, n) + data.shape[1:]).transpose((0, 2, 1, 3) + tuple(range(4, data.ndim + 1)))    data = data.reshape((n * data.shape[1], n * data.shape[3]) + data.shape[4:])    plt.figure()    plt.title(head)    plt.imshow(data)    plt.axis('off')

 

从blobs数据中将原始图片提取出来，并分别显示不同的通道图

In [5]:

print "data-blobs:",net.blobs['data'].data.shapeshow_data(net.blobs['data'].data[0],'origin images')

 

data-blobs: (1, 3, 360, 480)

 

调用forward()执行卷积操作，blobs数据发生改变。由原来的(1,3,360,480)变为（1，16，356，476）。

并初始化生成了相应的权值，权值数据为(16,3,5,5)。

最后调用两次show_data来分别显示权值和卷积过滤后的16通道图片。

In [6]:

net.forward()print "data-blobs:",net.blobs['data'].data.shapeprint "conv-blobs:",net.blobs['conv'].data.shapeprint "weight-blobs:",net.params['conv'][0span>].data.shapeshow_data(net.params['conv'][0].data[:,0],'conv weights(filter)')show_data(net.blobs['conv'].data[0],'post-conv images')

 

data-blobs: (1, 3, 360, 480)conv-blobs: (1, 16, 356, 476)weight-blobs: (16, 3, 5, 5)

 

 

In [ ]: