读取和修改caffemodel文件里的参数——by 蠢鱼

  基于caffe 的卷积神经网络模型训练后得到的权值是通过Google Protobuf来存储的后缀名为.caffemodel的二进制文件，这类文件一般很难直接打开进行权值的读取和修改。有的时候我们希望直观的看到网络中每个神经元的权值，或者希望更改网络的部分结构来得到新的结构进行finetune。在这样的情况下我们就需要对caffemodel文件进行操作。好在caffe的python接口提供了针对caffemodel文件的修改方法，用户可以从caffemodel文件中读取参数，并对参数进行修改以得到新的caffemodel文件。
1、读取caffemodel里的权值
  首先caffe要先进行pycaffe 的编译并安装好pycaffe的依赖环境。然后用下述python文件可以查看caffemodel文件中各个层的参数，以查看lenet-5权值为例。

import caffeif __name__ == "__main__":    #文件的存放路径    root = '/home/xhq11/caffe-master/examples/mnist/'    caffe.set_mode_cpu    net = caffe.Net(root+'lenet.prototxt',\    root+'lenet_iter_10000.caffemodel',caffe.TEST')    #第一个卷基层的权值    conv1_w = net.params['conv1'][0].data    #第一个卷基层的偏置值    conv1_b = net.params['conv1'][1].data    #可以打印相应的参数和参数的维度等信息    print conv1_w,conv1_b    print conv1_w.size,conv1_b.size

需要注意的是，这样的方法只能读取有训练参数层的权值，对于下采样、激活层等无训练参数的层，无法得到其层内权值（因为层内根本没有权值）。

2、修改caffemodel内的权值并保存为新的caffemodel
  有的时候我们需要修改原caffemodel来得到新的caffemodel文件用于finetune等工作，可通过下述python文件实现，以修改lenet-5权值为例。

import caffeif __name__ == "__main__":    #文件的存放路径    root = '/home/xhq11/caffe-master/examples/mnist/'    caffe.set_mode_cpu    net = caffe.Net(root+'lenet.prototxt',\    root+'lenet_iter_10000.caffemodel',caffe.TEST')    #在这部分做任何你希望的对权值的修改    net.save('/path of your new caffemodel/newname.caffemodel')

  但是这种方法的弊端也很明显，这种方法只能在原有的结构上进行权值的修改，而不能对原有结构进行修改，比如，删除原有结构中的某一层或增加新的层，或更改原有层的维度等。
  在caffe 的官方文档中提供了一种修改caffemodel文件的方法，具体参考http://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/net_surgery.ipynb（需翻墙）。这里面的案例是讲caffenet的后三个全连接层（fc6/fc7/fc8）改成全卷基层（fc6-conv/fc7-conv/fc8-conv）以形成新的网络权值文件bvlc_caffenet_full_conv.caffemodel。值得注意的是，这里面的案例也仅仅是将原来后三个全连接层的权值“摊平”（文中的写法为flat）并赋给卷积层，由于全连接层和卷基层的参数个数是相同的，因此这个案例本质上也属于权值的进一步修改。文中最后有这么一段话：
Note that this model isn’t totally appropriate for sliding-window detection since it was trained for whole-image classification. Nevertheless it can work just fine. Sliding-window training and finetuning can be done by defining a sliding-window ground truth and loss such that a loss map is made for every location and solving as usual. (This is an exercise for the reader.)