caffe特征可视化
来源:互联网 发布:sqlserver培训机构 编辑:程序博客网 时间:2024/05/21 08:50
这篇博文对于caffe 网络训练到的特征进行可视化。
参考: http://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/00-classification.ipynb
http://www.cnblogs.com/louyihang-loves-baiyan/p/5134671.html
#-*- coding: UTF-8 -*-import numpy as npimport matplotlib.pyplot as pltimport osimport caffeimport sysimport pickleimport cv2caffe_root = '/home/zhuangni/code/caffe-master/' deployPrototxt = '/home/zhuangni/code/Multi-Task/experiment/vgg_1/feature/deploy.prototxt'modelFile = '/home/zhuangni/code/Multi-Task/experiment/vgg_1/model/snapshot_iter_200000.caffemodel.h5'meanFile = '/home/zhuangni/code/Multi-Task/data_CelebA_0_1_224/mean.binaryproto'#网络初始化def initilize(): print 'initilize ... ' sys.path.insert(0, caffe_root + 'python') caffe.set_mode_cpu() #caffe.set_device(0) net = caffe.Net(deployPrototxt, modelFile,caffe.TEST) return net#取出网络中的params和net.blobs的中的数据def getNetDetails(image, net): proto_data = open(meanFile, "rb").read() a = caffe.io.caffe_pb2.BlobProto.FromString(proto_data) mean = caffe.io.blobproto_to_array(a)[0] # input preprocessing: 'data' is the name of the input blob == net.inputs[0] transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape}) transformer.set_transpose('data', (2,0,1)) transformer.set_mean('data', mean) # mean pixel transformer.set_raw_scale('data', 255) # the reference model operates on images in [0,255] range instead of [0,1] transformer.set_channel_swap('data', (2,1,0)) # the reference model has channels in BGR order instead of RGB # set net to batch size of 50 net.blobs['data'].reshape(1,3,224,224) net.blobs['data'].data[...] = transformer.preprocess('data', caffe.io.load_image(image)) out = net.forward() #网络提取conv1_1的输出特征 filters = net.params['conv1_1'][0].data vis_square(filters.transpose(0, 2, 3, 1),'filters.png') #conv1_1的特征图 feat = net.blobs['conv1_1'].data[0, :36] vis_square(feat,'feat.png',padval=1) pool = net.blobs['pool1'].data[0,:36] vis_square(pool,'pool.png',padval=1) #全连接层fc14_attr1的输出值以及输出的正值的直方图 feat = net.blobs['fc14_attr1'].data[0] plt.subplot(2, 1, 1) plt.plot(feat.flat) plt.subplot(2, 1, 2) _ = plt.hist(feat.flat[feat.flat > 0], bins=100) plt.savefig('fc.png') plt.show() #最后一层的输出概率 feat = net.blobs['fc16_attr1'].data[0] plt.figure(figsize=(15, 3)) plt.plot(feat.flat) plt.savefig('prob.png') plt.show()# 此处将卷积图和进行显示,def vis_square(data, fn, padsize=1, padval=0 ): data -= data.min() data /= data.max() #让合成图为方 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)) #合并卷积图到一个图像中 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:]) print data.shape plt.imshow(data) plt.axis('off') plt.savefig(fn) plt.show()if __name__ == "__main__": net = initilize() testimage = '/home/zhuangni/code/Multi-Task/experiment/vgg_1/feature/202599.jpg' getNetDetails(testimage, net)
实验结果:
1.网络提取conv1_1的输出特征
conv1_1 的num_output: 64,则生成64个方格小块.
2. conv1_1的特征图
选取其中的36个得到的特征图。
3. pool1的特征图
4.全连接层fc14_attr1的输出值以及输出的正值的直方图
fc14_attr1层的num_output: 4096,横坐标为层输出数目,纵坐标为层输出的值。
5. 最后一层的输出概率
0 0
- Caffe CNN特征可视化
- Caffe CNN特征可视化
- Caffe 特征图可视化
- caffe特征可视化
- Caffe CNN特征可视化
- Caffe CNN特征可视化
- Caffe 特征图可视化
- 基于caffe的特征可视化
- CAFFE提取特征并可视化
- caffe提取特征并可视化
- caffe matlab接口特征可视化
- CAFFE提取特征并可视化
- caffe权值可视化,特征可视化,网络模型可视化
- caffe预测、特征可视化python接口调用
- caffe特征可视化的代码样例
- caffe预测、特征可视化python接口调用
- 【Caffe特征图可视化】【caffemodel 权重图】
- Caffe 的可视化 (四) 特征图的可视化
- RabbitMQ指南(6)-工作队列(Work Queues)
- 聊聊并发(七)——Java中的阻塞队列
- IE8及以下不支持HTML5标签的处理
- Java 资源文件路径详解(getResource)(整理版)
- Mongodb的安装、主从配置、replicaSet配置
- caffe特征可视化
- Android面试复习
- Linux下安装、配置、启动Apache
- 第九周OJ3切面条
- HTTP 405Method not allowed
- terminal中可以import caffe,但是pycharm中无法import
- [java practices]查找字符串出现的位置
- 高并发处理
- ES 5.0——安装