caffe的python接口caffemodel參數(shù)及特征抽取示例
正文
如果用公式 y=f(wx+b)
來表示整個運算過程的話，那么w和b就是我們需要訓練的東西，w稱為權(quán)值，在cnn中也可以叫做卷積核（filter），b是偏置項。f是激活函數(shù)，有sigmoid、relu等。x就是輸入的數(shù)據(jù)。
數(shù)據(jù)訓練完成后，保存的caffemodel里面，實際上就是各層的w和b值。
我們運行代碼：
deploy=root + 'mnist/deploy.prototxt' #deploy文件 caffe_model=root + 'mnist/lenet_iter_9380.caffemodel' #訓練好的 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net變量里面了，但是net是一個很復雜的object, 想直接顯示出來看是不行的。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卷積層的名字叫'Convolution1', 則我們可以提取這個層的參數(shù)：
w1=net.params['Convolution1'][0].data b1=net.params['Convolution1'][1].data
輸入這些代碼，實際查看一下，對你理解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，需要運行：
net.forward()
之后才會有數(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，一個是net.params, 一個是net.blobs.
實際上數(shù)據(jù)剛輸入的時候，我們叫圖片數(shù)據(jù)，卷積之后我們就叫特征了。
如果要抽取第一個全連接層的特征，則可用命令：
fea=net.blobs['InnerProduct1'].data
只要知道某個層的名稱，就可以抽取這個層的特征。
推薦大家在spyder中，運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() #運行測試 [(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)及特征抽取的詳細內(nèi)容，更多關(guān)于python caffemodel參數(shù)特征抽取的資料請關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
這篇文章主要介紹了Python單鏈表的簡單實現(xiàn)方法,包括定義所需的字段及具體實現(xiàn)代碼的分析,需要的朋友可以參考下2014-09-09
python數(shù)據(jù)結(jié)構(gòu)之遞歸方法講解
這篇文章主要介紹了python數(shù)據(jù)結(jié)構(gòu)之遞歸講解,遞歸是解決問題的一種方法，它將問題不斷地分成更小的子問題，直到子問題可以用普通的方法解決。通常情況下，遞歸會使用一個不停調(diào)用自己的函數(shù)，下面來看看文章對此的詳細介紹吧2021-12-12
本文主要介紹了Python時間序列的實現(xiàn)，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2023-02-02
Pandas實現(xiàn)復制dataframe中的每一行
這篇文章主要介紹了Pandas實現(xiàn)復制dataframe中的每一行方式,2024-02-02
這篇文章主要介紹了Python學習之盤點一些Python中實用的庫，有需要的同學可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2021-09-09
python實現(xiàn)統(tǒng)計代碼行數(shù)的方法
這篇文章主要介紹了python實現(xiàn)統(tǒng)計代碼行數(shù)的方法,涉及Python中os模塊及codecs模塊的相關(guān)使用技巧,需要的朋友可以參考下2015-05-05
本文主要介紹了Python導入模塊的3種方式小結(jié)，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2023-03-03
python將字母轉(zhuǎn)化為數(shù)字實例方法
在本篇文章里小編給大家整理的是關(guān)于python如何將字母轉(zhuǎn)化為數(shù)字的相關(guān)實例內(nèi)容，有需要的朋友們可以學習下。2019-10-10
這篇文章主要介紹了TensorFlow的自動求導原理分析，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2021-05-05
python中requests爬去網(wǎng)頁內(nèi)容出現(xiàn)亂碼問題解決方法介紹
這篇文章主要介紹了python中requests爬去網(wǎng)頁內(nèi)容出現(xiàn)亂碼問題解決方法，2017-10-10