caffe的python接口学习（8）：caffemodel中的参数及特征的抽取

原文链接：http://www.cnblogs.com/denny402/p/5686257.html

如果用公式  y=f(wx+b)

来表示整个运算过程的话，那么w和b就是我们需要训练的东西，w称为权值，在cnn中也可以叫做卷积核（filter），b是偏置项。f是激活函数，有sigmoid、relu等。x就是输入的数据。

数据训练完成后，保存的caffemodel里面，实际上就是各层的w和b值。

我们运行代码：

deploy=root + 'mnist/deploy.prototxt'    #deploy文件caffe_model=root + 'mnist/lenet_iter_9380.caffemodel'   #训练好的 caffemodelnet = caffe.Net(net_file,caffe_model,caffe.TEST)   #加载model和network

就把所有的参数和数据都加载到一个net变量里面了，但是net是一个很复杂的object,想直接显示出来看是不行的。其中：

net.params: 保存各层的参数值（w和b)

net.blobs: 保存各层的数据值

可用命令：

[(k,v[0].data) for k,v in net.params.items()]

查看各层的参数值，其中k表示层的名称，v[0].data就是各层的W值，而v[1].data是各层的b值。注意：并不是所有的层都有参数，只有卷积层和全连接层才有。

也可以不查看具体值，只想看一下shape,可用命令

[(k,v[0].data.shape) for k,v in net.params.items()]

假设我们知道其中第一个卷积层的名字叫'Convolution1', 则我们可以提取这个层的参数：

w1=net.params['Convolution1'][0].datab1=net.params['Convolution1'][1].data

输入这些代码，实际查看一下，对你理解network非常有帮助。

同理，除了查看参数，我们还可以查看数据，但是要注意的是，net里面刚开始是没有数据的，需要运行：

net.forward()

之后才会有数据。我们可以用代码：

[(k,v.data.shape) for k,v in net.blobs.items()]

或

[(k,v.data) for k,v in net.blobs.items()]

来查看各层的数据。注意和上面查看参数的区别，一个是net.params, 一个是net.blobs.

实际上数据刚输入的时候，我们叫图片数据，卷积之后我们就叫特征了。

如果要抽取第一个全连接层的特征，则可用命令：

fea=net.blobs['InnerProduct1'].data

只要知道某个层的名称，就可以抽取这个层的特征。

推荐大家在spyder中，运行一下上面的所有代码，深入理解模型各层。

最后，总结一个代码：

import caffeimport numpy as nproot='/home/xxx/'   #根目录deploy=root + 'mnist/deploy.prototxt'    #deploy文件caffe_model=root + 'mnist/lenet_iter_9380.caffemodel'   #训练好的 caffemodelnet = caffe.Net(deploy,caffe_model,caffe.TEST)   #加载model和network

[(k,v[0].data.shape) for k,v in net.params.items()]  #查看各层参数规模

w1=net.params['Convolution1'][0].data  #提取参数wb1=net.params['Convolution1'][1].data  #提取参数b

net.forward()   #运行测试

[(k,v.data.shape) for k,v in net.blobs.items()]  #查看各层数据规模

fea=net.blobs['InnerProduct1'].data   #提取某层数据（特征）

补充自：http://blog.csdn.net/guoyilin/article/details/42886365

本文主要对http://nbviewer.ipython.org/github/BVLC/caffe/blob/master/examples/filter_visualization.ipynb进行代码解析。
1. net.blobs.items() 存储了预测图片的网络中各层的feature map的数据。
2. net.params.items()存储了训练结束后学习好的网络参数。
3. vis_square 函数视觉化data，主要是进行数据归一化，data转换为plt可视化的square结构。
4. 
7.

plt.imshow(net.deprocess('data', net.blobs['data'].data[4]))

这里的4是第4个crop，图片会被crop成10个227*227.

5. net.params['conv1'][0].data， 这是表示conv1层的w参数

  net.params['conv2'][1].data, 这是表示conv1层的b参数

6.

filters.transpose(0, 2, 3, 1)对filters 4维数组进行位置对换，主要是为了将rgb放在最后一维。

net.blobs['conv1'].data[4, :36] 表示conv1层学习的feature map， 显示第4个crop image的top 36个feature map。

8. 

filters = net.params['conv2'][0].data

filters[:48].reshape(48**2, 5, 5) 对conv2 层参数w进行显示， conv2 ：256 * 48 * 5 * 5, 这里显示头48个filters， reshape是为了在显示的时候把48个5*5的kernel放在一行显示，共48*48的方格显示。