Caffe的Python接口进行Cifar10可视化
来源:互联网 发布:南山软件产业园网球场 编辑:程序博客网 时间:2024/04/29 22:37
由于我上一篇想调可视化的内容,不知道为什么调不起来,这个先转载过来保存一下。地址
根据训练好的cifar10数据的model,从测试图片中选出一张进行测试,并进行网络模型、卷积结果及参数可视化
注意:本文中代码运行在windows+ipython notebook下,已事先配置好caffe的python接口
导入必需的包
123456789
import numpy as npimport matplotlib.pyplot as pltimport matplotlib.image as mpimgimport caffe%matplotlib inlineplt.rcParams['figure.figsize'] = (8, 8)plt.rcParams['image.interpolation'] = 'nearest'plt.rcParams['image.cmap'] = 'gray'
载入网络模型
123456
# 载入模型,并显示各层数据信息caffe.set_mode_gpu()net = caffe.Net('examples/cifar10/cifar10_quick.prototxt', 'examples/cifar10/cifar10_quick_iter_5000.caffemodel.h5', caffe.TEST)[(k, v.data.shape) for k, v in net.blobs.items()]
[('data', (1L, 3L, 32L, 32L)), ('conv1', (1L, 32L, 32L, 32L)), ('pool1', (1L, 32L, 16L, 16L)), ('conv2', (1L, 32L, 16L, 16L)), ('pool2', (1L, 32L, 8L, 8L)), ('conv3', (1L, 64L, 8L, 8L)), ('pool3', (1L, 64L, 4L, 4L)), ('ip1', (1L, 64L)), ('ip2', (1L, 10L)), ('prob', (1L, 10L))]
可视化网络模型
使用GraphViz+Caffe的draw_net.py来可视化网络模型
123
Rem 运行以下命令前必需先安装配置GraphVizRem --rankdir参数为网络方向,BT代表图片上网络从底至顶绘出python ./Build/x64/Release/pycaffe/draw_net.py examples/cifar10/cifar10_quick_train_test.prototxt examples/cifar10/cifar-quick.png --rankdir=BT
Drawing net to examples/cifar10/cifar-quick.png
1234
#显示模型图片net_im = mpimg.imread('examples/cifar10/cifar-quick.png')plt.imshow(net_im)plt.axis('off')
(-0.5, 904.5, 2079.5, -0.5)
加载测试图片
12345
#加载测试图片,并显示im = caffe.io.load_image('examples/cifar10/cat.jpg')print im.shapeplt.imshow(im)plt.axis('off')
(1200L, 1600L, 3L)(-0.5, 1599.5, 1199.5, -0.5)
转换均值
12345678
# 编写一个函数,将二进制的均值转换为python的均值def convert_mean(binMean,npyMean): blob = caffe.proto.caffe_pb2.BlobProto() bin_mean = open(binMean, 'rb' ).read() blob.ParseFromString(bin_mean) arr = np.array( caffe.io.blobproto_to_array(blob) ) npy_mean = arr[0] np.save(npyMean, npy_mean )
1234
# 调用函数转换均值binMean='examples/cifar10/mean.binaryproto'npyMean='examples/cifar10/mean.npy'convert_mean(binMean,npyMean)
将图片载入Blob
12345678
#将图片载入blob中,并减去均值transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})transformer.set_transpose('data', (2,0,1))transformer.set_mean('data', np.load(npyMean).mean(1).mean(1)) # 减去均值transformer.set_raw_scale('data', 255) transformer.set_channel_swap('data', (2,1,0))net.blobs['data'].data[...] = transformer.preprocess('data',im)inputData=net.blobs['data'].data
12345678
#显示减去均值前后的数据plt.figure()plt.subplot(1,2,1),plt.title("origin")plt.imshow(im)plt.axis('off')plt.subplot(1,2,2),plt.title("subtract mean")plt.imshow(transformer.deprocess('data', inputData[0]))plt.axis('off')
(-0.5, 31.5, 31.5, -0.5)
编写用于参数/卷积结果可视化的函数
12345678910111213141516171819
# 编写一个函数,用于显示各层数据def show_data(data, padsize=1, padval=0): # data归一化 data -= data.min() data /= data.max() # 根据data中图片数量data.shape[0],计算最后输出时每行每列图片数n n = int(np.ceil(np.sqrt(data.shape[0]))) # padding = ((图片个数维度的padding),(图片高的padding), (图片宽的padding), ....) 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)) # 先将padding后的data分成n*n张图像 data = data.reshape((n, n) + data.shape[1:]).transpose((0, 2, 1, 3) + tuple(range(4, data.ndim + 1))) # 再将(n, W, n, H)变换成(n*w, n*H) data = data.reshape((n * data.shape[1], n * data.shape[3]) + data.shape[4:]) plt.figure() plt.imshow(data,cmap='gray') plt.axis('off')
可视化各层数据
123456
# 运行模型并显示第一个卷积层的输出数据和权值(filter)net.forward()print net.blobs['conv1'].data[0].shapeshow_data(net.blobs['conv1'].data[0])print net.params['conv1'][0].data.shapeshow_data(net.params['conv1'][0].data.reshape(32*3,5,5))
(32L, 32L, 32L)(32L, 3L, 5L, 5L)
123
# 显示第一次pooling后的输出数据show_data(net.blobs['pool1'].data[0])net.blobs['pool1'].data.shape
(1L, 32L, 16L, 16L)
12345
# 显示第二次卷积后的输出数据以及相应的权值(filter)show_data(net.blobs['conv2'].data[0],padval=0.5)print net.blobs['conv2'].data.shapeshow_data(net.params['conv2'][0].data.reshape(32**2,5,5))print net.params['conv2'][0].data.shape
(1L, 32L, 16L, 16L)(32L, 32L, 5L, 5L)
12345
# 显示第三次卷积后的输出数据以及相应的权值(filter),取前1024个进行显示show_data(net.blobs['conv3'].data[0],padval=0.5)print net.blobs['conv3'].data.shapeshow_data(net.params['conv3'][0].data.reshape(64*32,5,5)[:1024])print net.params['conv3'][0].data.shape
(1L, 64L, 8L, 8L)(64L, 32L, 5L, 5L)
123
# 显示第三次池化后的输出数据show_data(net.blobs['pool3'].data[0],padval=0.2)print net.blobs['pool3'].data.shape
(1L, 64L, 4L, 4L)
1234
# 最后一层输入属于某个类的概率feat = net.blobs['prob'].data[0]print featplt.plot(feat.flat)
[ 0.00170287 0.00115923 0.0225699 0.60395384 0.00453733 0.14171894 0.00307363 0.01260873 0.15008588 0.05858969][<matplotlib.lines.Line2D at 0x3bd38080>]
与cifar10中的10种类型名称进行对比:
airplane、automobile、bird、cat、deer、dog、frog、horse、ship、truck
根据测试结果,判断为Cat。
0 0
- Caffe的Python接口进行Cifar10可视化
- python实现cifar10数据集的可视化
- python实现cifar10数据集的可视化
- Caffe:可视化Cifar10 网络模型
- 使用caffe的python接口实现内部参数可视化
- 使用caffe的python接口实现内部参数可视化
- 使用caffe的python接口实现内部参数可视化
- 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
- caffe可视化方法--配置python接口
- 使用caffe的Python接口进行训练测试
- Caffe的Python接口
- Caffe的Python接口
- 使用Caffe基于cifar10进行物体识别
- caffe当中对于cifar10进行训练
- 【深度学习】笔记14 windows下caffe的python接口的配置(数据的可视化环境)
- 三级了----caffe的可视化接口python配置(Windows+vs2013+CPU)
- python 进行caffe 数据可视化的 “No to_python (by-value)” 问题解决
- STM32启动文件——startup_stm32f10x_hd.s
- sublime text 常用快捷键设置 (Key Bindings - User)
- Java基础 - 队列的链式存储结构及实现
- swift 1
- 疯狂H5讲义 - 字体与文本相关属性
- Caffe的Python接口进行Cifar10可视化
- “千视”视频结构化服务器
- (未完成)LTE上行控制信道设计
- DB2数据库计算时间差
- 使用AFNetworking下载文件
- 随机样本,方便样本与资源回应样本
- 视频播放MPMoviePlayerViewController
- EventSystem的事件触发和pointer类执行顺序
- Hash Table