pycorrector训练自己的模型,pycharm如何训练模型

大家好，本文将围绕python训练好的模型保存py后调用展开说明，python训练模型后怎么投入应用是一个很多人都想弄明白的事情，想搞清楚python训练好的模型怎么保存需要先了解以下几个事情。

在此之前你需要把caffe（最好为GPU版）安装好，ubuntu安装参考，windows安装参考。

顺便把scikit-learn安装一下：

pip install scikit-learn

读图像可以用opencv：

pip install opencv-python

首先贴上通用代码，具体介绍请看注释

import cv2

import caffe

import numpy as np

from caffe.proto import caffe_pb2

class CaffeNet:

# caffemodel .caffemodel文件

# deploy_file .protxt文件

# transformer transformer对象，在下面介绍

# caffemodel 显卡编号，从0开始，如果你只有一个显卡那就填0吧

def __init__(self, caffemodel, deploy_file, transformer, device_id=0):

caffe.set_device(device_id)

caffe.set_mode_gpu()

self.net = caffe.Net(deploy_file, caffemodel, caffe.TEST)

self.transformer = transformer

# 前向传播，images表示输入图片序列，这里的每张图片应该与你网络的输入层尺寸一样python turtle库函数。

# batch_size，同时前向传播的图片数量，看显存设置，设置高了显存可能会溢出。

# layer，这是个字符串，是你网络中某层网络的名称，当传入改参数时，会返回该层的输出。

#

def forward_pass(self, images, batch_size=1, layer=None):

caffe_images = []

for image in images:

if image.ndim == 2:

caffe_images.append(image[:, :, np.newaxis])

else:

caffe_images.append(image)

caffe_images = np.array(caffe_images)

dims = self.transformer.inputs['data'][1:]

scores = None

fea = None

for chunk in [caffe_images[x:x+batch_size] for x in range(0, len(caffe_images), batch_size)]:

new_shape = (len(chunk), ) + tuple(dims)

if self.net.blobs['data'].data.shape != new_shape:

self.net.blobs['data'].reshape(*new_shape)

for idx, img in enumerate(chunk):

image_data = self.transformer.preprocess('data', img)

self.net.blobs['data'].data[idx] = image_data

# 网络的输出层在这，当然，你的deploy.prototxt中可能去掉了输出层，但这里始终表示网络的最后一层的输出。

output = self.net.forward()[self.net.outputs[-1]]

if layer is not None:

if fea is None:

fea = np.copy(self.net.blobs[layer].data)

else:

fea = np.vstack((fea, self.net.blobs[layer].data))

if scores is None:

scores = np.copy(output)

else:

scores = np.vstack((scores, output))

# 这里返回得分、指定layer层的输出

return scores, fea

# 前向传播，这里加了一个锁，并发时如果出现报错的情况可以使用此方法，但是会降低效率。

def forward_pass_sync(self, images, batch_size, layer, lock):

lock.acquire()

try:

return self.forward_pass(images, batch_size, layer)

except Exception as e:

print(e)

finally:

lock.release()

# 分类方法，其实也就是在之前的forward_pass方法上对得分进行取最大值的角标，即取所属分类

def classify(self, image_list, layer_name=None):

if self.net.blobs['data'].data.shape[1] == 1:

image_list = [cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) for img in image_list]

scores, fea = self.forward_pass(image_list, batch_size=1, layer=layer_name)

return scores, np.argmax(scores, 1), fea

有了上述代码之后就可以进一步初始化一个Caffe网络了，这里以VGG FACE网络为例。

import caffe

import cv2

import numpy as np

import sklearn.metrics.pairwise

from facetk.engine.basis.caffenet import CaffeNet

from present import present

caffe_model = 'VGG_FACE.caffemodel'

deploy_file = 'VGG_FACE_deploy.prototxt'

# 构建transformer对象

# 输入层

transformer = caffe.io.Transformer(inputs={'data': [1, 3, 224, 224]})

# opencv读入图像时是height * width * channel，即长×宽×通道数，需要将通道数提前到第一个，这是Caffe要求的，照做就OK

transformer.set_transpose('data', (2, 0, 1))

# 当你的图片是OPENCV读入时，是BGR，这里2, 1, 0指将BR调换，即将BGR转RGB

transformer.set_channel_swap('data', (2, 1, 0))

# 设置均值，减均值大家都知道的吧。当然有些网络不需要减均值，这里就可以不写。

transformer.set_mean('data', np.array([129.1863,104.7624,93.5940]))

# 归一化了解一下

transformer.set_input_scale('data', 0.00390625)

#由于我最近在搞人脸识别，需要将某全连接层提出作为特征向量，所以有这么个东西，前向传播的时候会返回对应层的输出。

feature_layer = "fc7"

net = CaffeNet(self, caffe_model, deploy_file, transformer)

#有了网络就可以进行前向传播了，这里输入的两张图片是我裁好的人脸图像，大小均为224×224，也就是VGG的输入层尺寸，当然也可以不是这个尺寸，但会降低人脸识别的准确率。

images = [cv2.imread('a.jpg'),cv2.imread('b.jpg')]

# 这里会返回两张图像的得分、以及对应的特征向量

scores, fea = net.forward_pass(images ,2 , feature_layer)

# 计算两张图片的特征向量的cos距离，得出两张人脸的相似度

sim = sklearn.metrics.pairwise.cosine_similarity([fea[0]], [fea[1]])[0][0]

print(sim)

那么至此也就结束了，代码中如果有什么错误的地方欢迎指正。