CAFFE 引數視覺化

說明：本文**

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來設定的。這個檔案裡面存放的就是各層的引數，即net.params，裡面沒有資料(net.blobs)。順帶還生成了乙個相應的solverstate檔案，這個和caffemodel差不多，但它多了一些資料，如模型名稱、當前迭代次數等。兩者的功能不一樣，訓練完後儲存起來的caffemodel，是在測試階段用來分類的，而solverstate是用來恢復訓練的，防止意外終止而儲存的快照（有點像斷點續傳的感覺)。

既然我們知道了caffemodel裡面儲存的就是模型各層的引數，因此我們可以把這些引數提取出來，進行視覺化，看一看究竟長什麼樣。

我們先訓練cifar10資料（mnist也可以），迭代10000次，然後將訓練好的 model儲存起來，名稱為my_iter_10000.caffemodel，然後使用jupyter notebook 來進行視覺化。

在此順便問一下各位大牛：如何在cnblogs中，發表jupyter notebook生成的文章？

首先，匯入必要的庫

in [1]:

import

numpy

asnp

import

matplotlib.pyplot

asplt

importos,

sys,

caffe

%matplotlib inline

in [2]:

caffe_root
='/home/lee/caffe/'os.
chdir
(caffe_root
)sys
.path
.insert(0
,caffe_root
+'python'
)

in [3]:

plt
.rcparams
['figure.figsize']=
(8,8
)plt
.rcparams
['image.interpolation']=
'nearest'
plt.
rcparams
['image.cmap']=
'gray'

設定網路模型，並顯示該模型中各層名稱和引數的規模（注意此處是net.params, 而不是net.blobs)

in [4]:

net
=caffe
.net
(caffe_root
+'examples/cifar10/cifar10_full.prototxt'
,caffe_root
+'examples/cifar10/my_iter_10000.caffemodel'
,caffe
.test)[(
k,v[
0].data
.shape
)fork,
vinnet.
params
.items
()]

[('conv1', (32, 3, 5, 5)),
('conv2', (32, 32, 5, 5)),
('conv3', (64, 32, 5, 5)),
('ip1', (10, 1024))]

cifar10訓練的模型配置在檔案cifar10_full.prototxt裡面，共有三個卷積層和乙個全連線層，引數規模如上所示。

in [5]:

#編寫乙個函式，用於顯示各層的引數
defshow_feature
(data
,padsize=1
,padval=0
):data
-=data
.min
()data
/=data
.max
()# force the number of filters to be squaren=
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
))# tile the filters into an image
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
)plt
.axis
('off'
)

in [6]:

# 第乙個卷積層，引數規模為(32,3,5,5)，即32個5*5的3通道filter
weight
=net
.params
["conv1"][0
].data
print
weight
.shape
show_feature
(weight
.transpose(0
,2,3
,1))

(32, 3, 5, 5)
引數有兩種型別：權值引數和偏置項。分別用params["conv1"][0] 和params["conv1"][1] 表示 。
我們只顯示權值引數，因此用params["conv1"][0]

in [7]:

# 第二個卷積層的權值引數，共有32*32個filter,每個filter大小為5*5
weight
=net
.params
["conv2"][0
].data
print
weight
.shape
show_feature
(weight
.reshape(32
**2,5
,5))

(32, 32, 5, 5)

in [8]:

# 第三個卷積層的權值，共有64*32個filter,每個filter大小為5*5，取其前1024個進行視覺化

weight
=net
.params
["conv3"][0
].data
print
weight
.shape
show_feature
(weight
.reshape(64
*32,5
,5)[:1024
])

(64, 32, 5, 5)

CAFFE 引數視覺化

caffe模型視覺化

Caffe網路視覺化

caffe學習 caffemodel視覺化

CAFFE 引數視覺化

caffe模型視覺化

Caffe網路視覺化

caffe學習 caffemodel視覺化

相關推薦