deploy=root + 'mnist/deploy.prototxt'    #deploy文件
caffe_model=root + 'mnist/lenet_iter_9380.caffemodel'   #訓(xùn)練好的 caffemodel
net = caffe.Net(net_file,caffe_model,caffe.TEST)   #加載model和network

就把所有的參數(shù)和數(shù)據(jù)都加載到一個(gè)net變量里面了，但是net是一個(gè)很復(fù)雜的object, 想直接顯示出來(lái)看是不行的。其中：

net.params: 保存各層的參數(shù)值（w和b)

net.blobs: 保存各層的數(shù)據(jù)值

可用命令：

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

查看各層的參數(shù)值，其中k表示層的名稱，v[0].data就是各層的W值，而v[1].data是各層的b值。注意：并不是所有的層都有參數(shù)，只有卷積層和全連接層才有。

也可以不查看具體值，只想看一下shape,可用命令

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

假設(shè)我們知道其中第一個(gè)卷積層的名字叫'Convolution1', 則我們可以提取這個(gè)層的參數(shù)：

w1=net.params['Convolution1'][0].data
b1=net.params['Convolution1'][1].data

輸入這些代碼，實(shí)際查看一下，對(duì)你理解network非常有幫助。

同理，除了查看參數(shù)，我們還可以查看數(shù)據(jù)，但是要注意的是，net里面剛開始是沒有數(shù)據(jù)的，需要運(yùn)行：

net.forward()

之后才會(huì)有數(shù)據(jù)。我們可以用代碼：

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

或

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

來(lái)查看各層的數(shù)據(jù)。注意和上面查看參數(shù)的區(qū)別，一個(gè)是net.params, 一個(gè)是net.blobs.

實(shí)際上數(shù)據(jù)剛輸入的時(shí)候，我們叫圖片數(shù)據(jù)，卷積之后我們就叫特征了。

如果要抽取第一個(gè)全連接層的特征，則可用命令：

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

只要知道某個(gè)層的名稱，就可以抽取這個(gè)層的特征。

推薦大家在spyder中，運(yùn)行一下上面的所有代碼，深入理解模型各層。

最后，總結(jié)一個(gè)代碼：

import caffe
import numpy as np
root='/home/xxx/'   #根目錄
deploy=root + 'mnist/deploy.prototxt'    #deploy文件
caffe_model=root + 'mnist/lenet_iter_9380.caffemodel'   #訓(xùn)練好的 caffemodel
net = caffe.Net(deploy,caffe_model,caffe.TEST)   #加載model和network
[(k,v[0].data.shape) for k,v in net.params.items()]  #查看各層參數(shù)規(guī)模
w1=net.params['Convolution1'][0].data  #提取參數(shù)w
b1=net.params['Convolution1'][1].data  #提取參數(shù)b
net.forward()   #運(yùn)行測(cè)試

[(k,v.data.shape) for k,v in net.blobs.items()]  #查看各層數(shù)據(jù)規(guī)模
fea=net.blobs['InnerProduct1'].data   #提取某層數(shù)據(jù)（特征）

以上就是caffe的python接口caffemodel參數(shù)及特征抽取的詳細(xì)內(nèi)容，更多關(guān)于python caffemodel參數(shù)特征抽取的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: