共计 1801 个字符,预计需要花费 5 分钟才能阅读完成。
导读 | 这篇文章主要介绍了 caffe 的 python 接口 caffemodel 参数及特征抽取示例详解,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪 |
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 caffemodel
net = 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].data
b1=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 caffe import numpy as np root='/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 caffemodel net = 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 w b1=net.params['Convolution1'][1].data #提取参数 bnet.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)
以上就是 caffe 的 python 接口 caffemodel 参数及特征抽取的详细内容。
![post-qrcode](https://www.xgss.net/wp-content/uploads/2023/07/二维码-微信公众号256x256.jpg)