首先配置caffe的資料視覺化環境python介面，參考部落格資料視覺化環境（python介面)配置
然後利用jupyter來編輯執行python**
# 在檔案路徑下開啟終端，並輸入jupyter notebook，在瀏覽器中開始編輯
$ jupytre notebook
大小為360x480，三通道
輸出
開啟examples/net_surgery/conv.prototxt檔案，修改兩個地方
一是將input_shape由原來的是(1,1,100,100)修改為(1,3,100,100),即由單通道灰度圖變為三通道彩色圖。
二是將過濾器個數(num_output)由3修改為16，多增加一些filter, 當然保持原來的數不變也行。
其它地方不變，修改後的prototxt如下：只有乙個卷積層
# ******
single-layer
network
toshowcase
editing
model
parameters.
name: "convolution"
layer }}
layer
bias_filler
}}
顯示的時候要注意各維的順序，如blobs的順序是(1,3,360,480),從前往後分別表示1張，3三個通道，
大小為360x480，需要呼叫transpose改變為(360,480,3)才能正常顯示。
其中用data[0]表示第一張，下標從0開始，此例只有一張，因此只能是data[0].
分別用data[0,0],data[0,1]和data[0,2]表示該的三個通道。
net = caffe.net('examples/net_surgery/conv.prototxt', caffe.test)
im_input=im[np.newaxis,:,:,:].transpose(0,3,1,2)
print "data-blobs:",im_input.shape
net.blobs['data'].reshape(*im_input.shape)
net.blobs['data'].data[...] = im_input
plt.imshow(net.blobs['data'].data[0].transpose(1,2,0))
plt.axis('off')
show_data函式來顯示資料
plt.rcparams['image.cmap'] = 'gray'
def show_data(data,head,padsize=1, padval=0):
data -= data.min()
data /= data.max()
# force the number of filters to be square
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))
# 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.figure()
plt.title(head)
plt.imshow(data)
plt.axis('off')
print
"data-blobs:",net.blobs['data'].data.shape
show_data(net.blobs['data'].data[0],'origin images')
呼叫forward()執行卷積操作，blobs資料發生改變。由原來的(1,3,360,480)變為（1，16，356，476）。
並初始化生成了相應的權值，權值資料為(16,3,5,5)。
最後呼叫兩次show_data來分別顯示權值和卷積過濾後的16通道。
net.forward()
print "data-blobs:",net.blobs['data'].data.shape
print "conv-blobs:",net.blobs['conv'].data.shape
print "weight-blobs:",net.params['conv'][0].data.shape
show_data(net.params['conv'][0].data[:,0],'conv weights(filter)')
show_data(net.blobs['conv'].data[0],'post-conv images')
caffe學習 caffemodel視覺化
網路架構的形象展示 在構建完網路後,我們得到乙個xx train.prototxt檔案,該檔案中記錄著每層網路的輸入輸出及規格等引數,在位址 左側拖入xx train.ptototxt檔案,按enter shift組合鍵即可檢視網路模型圖,非常具體形象.以lenet為例 lenet prototxt...
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...