lian jie:
最近想看一看卷積神經網路中各層的卷積結果，但在網上搜尋feature visualization並沒能找到通俗易懂的內容。在caffe的官網教程中，有這麼乙個instant recognition with caffe，參照它可以很快的做出視覺化的結果。但感覺裡面還是稍有些複雜，這裡做了些簡化，達到目的即可。
import caffe
import matplotlib.pyplot as plt
import matplotlib.cm as cm
import numpy as np
net = caffe.classifier("./alexnet_deploy.prototxt","bvlc_alexnet.caffemodel", mean=np.float([104.0, 116.0, 122.0]), channel_swap=(2,1,0))caffe中的資料都是在blobs中存的，我們可以看一下其結構：
in [103]: net.blobs
out[103]: ordereddict([('data', ), ('conv1', ), ('norm1', ), ('pool1', ), ('conv2', ), ('norm2', ), ('pool2', ), ('conv3', ), ('conv4', ), ('conv5', ), ('pool5', ), ('fc6', ), ('fc7', ), ('fc8', ), ('prob', )])
data，五層卷積+pooling，以及三層全連線fc，和最後的**概率結果prob。
然後，使用這個模型做**：
net.predict([caffe.io.load_image("./image.jpg")])跑了一遍**之後，各層就有了具體的資料，我們就可以看每層的視覺化結果了。比如，conv1層：
in [104]: net.blobs['conv1']
out[104]: in [105]: conv1 = net.blobs['conv1']
in [106]: conv1.
conv1.channels conv1.data conv1.height conv1.reshape
conv1.count conv1.diff conv1.num conv1.width
conv1層有8個引數，其中channels是該層的卷積核的數量，即96,height和width分別是該層結果的高和寬，即55×55,num是patch的個數，是在模型的配置檔案中alexnet_deploy.prototxt設定好的，這裡是10,count是引數的總個數，本層有2904000個引數，diff是訓練時使用的誤差，這裡不是訓練，所以全部為0,data裡包含了我們需要的資料，其維度為10×96×55×55，因為我們就識別了一張，所以只取第乙個就可以了：
conv1_data = conv1.data[0,:]def vis_square(data, padsize=1, padval=0):
data -= data.min()
data /= data.max()
n = int(np.ceil(np.sqrt(data.shape[0])))
padding = ((0, n**2-data.shape[0]), (0, padsize), (0, padsize))+((0,0),)*(data.ndim-3)
data = np.pad(data, padding, mode='constant', constant_values=(padval, padval))
data = data.reshape((n,n)+data.shape[1:]).transpose((0,2,1,3)+tuple(range(4, data.ndim+1)))
data = data.reshape((n*data.shape[1], n*data.shape[3])+data.shape[4:])
plt.imshow(data, cmap=cm.gray)
cmap=cm.gray，讓結果顯示為灰度，而不是彩色的。
先看下卷積第一層96個結果：
in [122]: vis_square(conv1_data, padval=1)
in [123]: plt.show()
vis_square中最後一行的cmap=cm.gray，得到彩色的結果，看起來就明顯多了。
看下第85個結果：
in [180]: res = conv1_data[84:85, :]
in [181]: vis_square(res, padval=1)
in [182]: plt.show()
特徵視覺化
colormap 色度圖 的視覺表示和colormap 的數值，左邊的顏色模式表示較低的灰度值，右邊的則表示較高的灰度值。得到特徵圖fea後,heatmap np.mean fea,axis 1 heatmap np.maximum heatmap,0 heatmap與0比較，取其大者 heatma...
caffe模型視覺化
通過前面的學習，我們已經能夠正常訓練各種資料了。設定好solver.prototxt後，我們可以把訓練好的模型儲存起來，如lenet iter 10000.caffemodel。訓練多少次就自動儲存一下，這個是通過snapshot進行設定的，儲存檔案的路徑及檔名字首是由snapshot prefix...
Caffe網路視覺化
最近在學習caffe，但是作為曾經的windows深度使用者，還是比較習慣視覺化的介面。然而，caffe當然是在linux os x系統下更好啦，因為一般還是寫script在命令列裡面玩的。所以這樣就不直觀咯，為了能直觀地看清楚網路結構，而不是看prototxt腦補 視覺化就很重要了。幸好，開發ca...