caffe上手：如何导出caffemodel参数

最近在github上看到一个导出mnist的model参数的Matlab和Python的脚本，比较简单，以后可能用得到，记录一下。

load_caffemodel.py: 使用python脚本加载lenet的参数。

conv*.mat: 在blob数据中相同结构定义的层的参数。

parse_param.m: Matlab脚本，将加载到的每层参数保存出来的mat文件整合成一个parsed_param.mat文件。

parsed_param.mat: Matlab保存生成的mat文件。

如果github打不开的话，我这里把这几个脚本的代码贴出来。

================================================================================

load_caffemodel.py

[cpp] view plain copy

 

1. import numpy as np  
2. import scipy.io as sio  
3. import caffe  
4.   
5. def load():  
6.     # Load the net  
7.     caffe.set_mode_cpu()  
8.     # You may need to train this caffemodel first  
9.     # There should be script to help you do the training  
10.     net = caffe.Net(root + 'lenet.prototxt', root + 'lenet_iter_10000.caffemodel',\  
11.         caffe.TEST)  
12.     conv1_w = net.params['conv1'][0].data  
13.     conv1_b = net.params['conv1'][1].data  
14.     conv2_w = net.params['conv2'][0].data  
15.     conv2_b = net.params['conv2'][1].data  
16.     ip1_w = net.params['ip1'][0].data  
17.     ip1_b = net.params['ip1'][1].data  
18.     ip2_w = net.params['ip2'][0].data  
19.     ip2_b = net.params['ip2'][1].data  
20.     sio.savemat('conv1_w', {'conv1_w':conv1_w})  
21.     sio.savemat('conv1_b', {'conv1_b':conv1_b})  
22.     sio.savemat('conv2_w', {'conv2_w':conv2_w})  
23.     sio.savemat('conv2_b', {'conv2_b':conv2_b})  
24.     sio.savemat('ip1_w', {'ip1_w':ip1_w})  
25.     sio.savemat('ip1_b', {'ip1_b':ip1_b})  
26.     sio.savemat('ip2_w', {'ip2_w':ip2_w})  
27.     sio.savemat('ip2_b', {'ip2_b':ip2_b})  
28.   
29. if __name__ == "__main__":  
30.     # You will need to change this path  
31.     root = '/caffe/examples/mnist/'  
32.     load()  
33.     print 'Caffemodel loaded and written to .mat files successfully!'  

parse_param.m

[cpp] view plain copy

 

1. clear;close all;clc  
2. %% Parse the ConvNet parameters loaded from caffe into better fit version  
3. % Author: Yuliang Zou  
4. % Date: 06/14/2016  
5.   
6. %% Load parameters  
7. load('conv1_w.mat');  
8. load('conv1_b.mat');  
9. load('conv2_w.mat');  
10. load('conv2_b.mat');  
11. load('ip1_w.mat');  
12. load('ip1_b.mat');  
13. load('ip2_w.mat');  
14. load('ip2_b.mat');  
15.   
16. %% Parse parameters into better fit version  
17. % conv1 has 20 filters with 5 * 5 size   
18. W1 = zeros(5,5,20);  
19. for i = 1:20  
20.     W1(:,:,i) = conv1_w(i,1,:,:);  
21. end  
22. b1 = double(conv1_b');  
23. % conv2 has 50 filters with 5 * 5 size   
24. W2 = zeros(5,5,20,50);  
25. for k = 1:20  
26.     for i = 1:50  
27.         W2(:,:,k,i) = conv2_w(i,k,:,:);  
28.     end  
29. end  
30. b2 = double(conv2_b');  
31. % fc layers  
32. ip1W = double(ip1_w);  
33. ip1b = double(ip1_b');  
34. ip2W = double(ip2_w);  
35. ip2b = double(ip2_b');  
36.   
37. save('parsed_param.mat','W1','W2','b1','b2','ip1W','ip1b','ip2W','ip2b');  

========================================分割线===================================

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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

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')
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10

  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.)