Caffe CNN特征可视化(详解)

最新推荐文章于 2019-08-19 20:37:12 发布
最新推荐文章于 2019-08-19 20:37:12 发布
阅读量325 收藏
点赞数
分类专栏： caffe CNN 文章标签： 特征可视化 详解 特征图
caffe 同时被 2 个专栏收录
21 篇文章 0 订阅
订阅专栏
CNN
5 篇文章 0 订阅
订阅专栏

转载自 Caffe CNN特征可视化
http://www.cnblogs.com/louyihang-loves-baiyan/

先贴出来SqueezeNet网络对应的可视化代码

# -*- coding:utf-8 -*-
 
import numpy as np
import matplotlib.pyplot as plt
import os
import caffe
import sys
import pickle
import cv2

# SqueezeNet
caffe_root = 'J:\\ZenglaiGao\\EggImages\\OrigianlEgg_dataset\\A---SqueezeNet_2019-7-1\\'   # Your caffe diretory path
deployPrototxt = caffe_root + 'deploy.prototxt'
modelFile = caffe_root + 'SqueezeNet_iter_85000.caffemodel'
meanFile = 'J:\\ZenglaiGao\\EggImages\\OrigianlEgg_dataset\\ming_mean.npy'


def initilize():
    print ('initilize ... ')
    sys.path.insert(0, caffe_root + 'python')
    caffe.set_mode_gpu()
    caffe.set_device(0)
    net = caffe.Net(deployPrototxt, modelFile,caffe.TEST)
    return net


def getNetDetails(image, net):
    # input preprocessing: 'data' is the name of the input blob == net.inputs[0]
    transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
    transformer.set_transpose('data', (2, 0, 1))
    # transformer.set_mean('data', np.load(caffe_root + meanFile ).mean(1).mean(1)) # mean pixel
    transformer.set_mean('data', np.load(meanFile).mean(1).mean(1))  # mean pixel

    transformer.set_raw_scale('data', 255)
    # the reference model operates on images in [0,255] range instead of [0,1]
    transformer.set_channel_swap('data', (2,1,0))  
    # the reference model has channels in BGR order instead of RGB
    # set net to batch size of 50
    net.blobs['data'].reshape(1, 3, 227, 227)

    net.blobs['data'].data[...] = transformer.preprocess('data', caffe.io.load_image(image))
    out = net.forward()

    # 网络提取conv1的卷积核
    filters = net.params['conv1'][0].data
    with open('FirstLayerFilter.pickle', 'wb') as f:
        pickle.dump(filters, f)
    vis_square(filters.transpose(0, 2, 3, 1))

    # conv1的特征图
    feat = net.blobs['conv1'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # pool1的特征图
    pool = net.blobs['pool1'].data[0, :256]
    with open('pool1.pickle', 'wb') as f:
        pickle.dump(pool, f)
    vis_square(pool, padval=1)

    # fire2/squeeze1x1的特征图
    feat = net.blobs['fire2/squeeze1x1'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire2/expand1x1的特征图
    feat = net.blobs['fire2/expand1x1'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire2/expand3x3的特征图
    feat = net.blobs['fire2/expand3x3'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire2/concat的特征图
    feat = net.blobs['fire2/concat'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire3/squeeze1x1的特征图
    feat = net.blobs['fire3/squeeze1x1'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire3/expand1x1的特征图
    feat = net.blobs['fire3/expand1x1'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire3/expand3x3的特征图
    feat = net.blobs['fire3/expand3x3'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire3/concat的特征图
    feat = net.blobs['fire3/concat'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire4/squeeze1x1的特征图
    feat = net.blobs['fire4/squeeze1x1'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire4/expand1x1的特征图
    feat = net.blobs['fire4/expand1x1'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire4/expand3x3的特征图
    pool = net.blobs['fire4/expand3x3'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(pool, f)
    vis_square(pool, padval=1)

    # fire4/concat
    feat = net.blobs['fire4/concat'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire5/squeeze1x1的特征图
    feat = net.blobs['fire5/squeeze1x1'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)
    # fire5/expand1x1的特征图
    feat = net.blobs['fire5/expand1x1'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)
    # fire5/expand3x3的特征图
    feat = net.blobs['fire5/expand3x3'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire5/concat的特征图
    feat = net.blobs['fire5/concat'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire6/squeeze1x1的特征图
    feat = net.blobs['fire6/squeeze1x1'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)
    # fire6/expand1x1的特征图
    feat = net.blobs['fire6/expand1x1'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire6/expand3x3的特征图
    pool = net.blobs['fire6/expand3x3'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(pool, f)
    vis_square(pool, padval=1)

    # fire6/concat的特征图
    feat = net.blobs['fire6/concat'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire7/squeeze1x1的特征图
    feat = net.blobs['fire7/squeeze1x1'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)
    # fire7/expand1x1的特征图
    feat = net.blobs['fire7/expand1x1'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)
    # fire7/expand3x3的特征图
    feat = net.blobs['fire7/expand3x3'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire7/concat的特征图
    feat = net.blobs['fire7/concat'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire8/squeeze1x1的特征图
    feat = net.blobs['fire8/squeeze1x1'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)
    # fire8/expand1x1的特征图
    feat = net.blobs['fire8/expand1x1'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire8/expand3x3的特征图
    pool = net.blobs['fire8/expand3x3'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(pool, f)
    vis_square(pool, padval=1)

    # fire8/concat的特征图
    feat = net.blobs['fire8/concat'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire9/squeeze1x1的特征图
    feat = net.blobs['fire9/squeeze1x1'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)
    # fire9/expand1x1的特征图
    feat = net.blobs['fire9/expand1x1'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)
    # fire9/expand3x3的特征图
    feat = net.blobs['fire9/expand3x3'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # fire9/concat的特征图
    feat = net.blobs['fire9/concat'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1)

    # conv10的特征图
    feat = net.blobs['conv10'].data[0, :64]
    with open('FirstLayerOutput.pickle', 'wb') as f:
        pickle.dump(feat, f)
    vis_square(feat, padval=1) 

 
# 此处将卷积图和进行显示
def vis_square(data, padsize=1, padval=0):
    data -= data.min()
    data /= data.max()
    
    # 让合成图为方
    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))

    # 合并卷积图到一个图像中
    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:])
    print (data.shape)
    plt.imshow(data)
    plt.show()


if __name__ == "__main__":
    net = initilize()
    testimage = r'J:\ZenglaiGao\EggImages\OrigianlEgg_dataset\test\0\00093.jpg'     # Your test picture path
    getNetDetails(testimage, net)

再详解使用方法

1 配置caffe.exe、模型文件等路径，跟windows中的caffe测试源码中的classification.cpp中的测试需要设置的路径相同。
在这里插入图片描述
2 修改对应尺寸大小
在这里插入图片描述
三通道图像修改后边两个参数，即图像尺寸，一般为227 * 277或者224 * 244，对应网络文件。统测试的时候deploy.prototxt文件中的input_dim设置相同。
在这里插入图片描述
如果尺寸不对应的话则会报下边的错误
在这里插入图片描述
3 修改或添加你想看到的层的特征图的名称，conv1对应第一个卷积层。如果需要看其它层的特征图，则只需要对应网络结构中的name进行修改。上边的代码是将SqueezeNet所有层的特征图都查看了。这部分可以按需修改。
在这里插入图片描述
下面是部分SqueezeNet结构，辅助理解。
在这里插入图片描述

作者：GL3_24
来源：CSDN
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

心窄
关注
专栏目录
基于卷积神经网络CNN和OpenCV的摄像头应用实时人脸检测
走向CTO的路上...
07-19 622
实时人脸检测摄像头应用利用了CNN的强大特征学习能力,能够准确高效地检测视频流中的人脸,为后续的人脸识别、人机交互等应用提供支持。人脸检测任务旨在从图像或视频帧中定位并提取人脸区域。为了检测不同大小和位置的人脸,CNN人脸检测器通常采用滑动窗口和图像金字塔的方式,将不同尺度的图像块输入CNN进行分类。传统的人工监控效率低下且容易疏忽,而该应用可以自动实时检测和跟踪视频中的人脸,提高了监控的效率和准确性。除了检测人脸边界框,还可以检测人脸关键点(如眼睛、鼻子、嘴巴等),为后续的人脸识别和表情分析提供支持。
caffe预测、特征可视化python接口调用
08-02
caffe预测、特征可视化python接口调用
Caffe提取任意层特征并进行可视化
lcj_cjfykx的专栏
08-04 1万+
原图     conv1层可视化结果 （96个filter得到的结果）     数据模型与准备 安装好Caffe后，在examples/images文件夹下有两张示例图像，本文即在这两张图像上，用Caffe提供的预训练模型，进行特征提取，并进行可视化。 1. 进入caffe根目录，创建临时文件夹，用于存放所需要的临时文件  
基于caffe的特征可视化
07-23 1331
lian jie: http://www.shwley.com/index.php/archives/86/ 最近想看一看卷积神经网络中各层的卷积结果，但在网上搜索feature visualization并没能找到通俗易懂的内容。在caffe的官网教程中，有这么一个Instant Recognition with Caffe，参照它可以很快的做出可视化的结果。但感觉里面还是稍有些复
Caffe CNN特征可视化
Black eyes的博客
07-19 192
import numpy as np import matplotlib.pyplot as plt import os import caffe import sys import pickle import cv2 caffe_root = '../' deployPrototxt = '/xxx/xxx/caffe/models/bvlc_reference_caffenet/d...
CAFFE提取特征并可视化
AlgoComp
09-02 5951
使用CAFFE（ http://caffe.berkeleyvision.org ）运行CNN网络，并提取出特征，将其存储成lmdb以供后续使用，亦可以对其可视化。
R-CNN论文详解（论文翻译）
热门推荐
Cheese的博客
05-08 10万+
faster-rcnn在深度学习领域算是一篇开创性的论文，对后续产生的而网络有很重要的意义，认真读懂这篇论文，相信也算是深度学习入门了 。今天又重新读了读faster-rcnn,整理了一份阅读笔记，整理的过程使自己对整个深度学习又有了更深的理解。果然论文还是应该多读几遍才能理解的。
caffe_master
08-13
4. **可视化训练过程**：利用`caffevis`工具观察网络内部状态，如权重、激活值等。 5. **模型转换与部署**：训练完成后，使用`caffe deploy`命令将模型转换为可部署的`.caffemodel`文件，然后在实际应用中加载模型...
卷积神经网络在Caffe中的应用详解
在这一部分，我们将介绍卷积神经网络（Convolutional Neural Network，CNN）的基本概念，包括CNN的起源、结构和工作原理。我们将深入探讨CNN是如何模拟人类视觉系统，以及其在图像处理、语音识别等领域的应用。 ## ...
图片文字定位CTPN-master.zip_CTPN_CTPN-010_DEMO_caffe图片文字定位_caffe定位
最新发布
09-24
首先，对输入图片进行预处理，然后通过模型获取文字区域的边界框，最后将结果可视化展示。 5. **性能优化**：为了提高实时性，CTPN采用了Fast R-CNN架构，结合了RoI池化层，使得模型能够快速地处理多个候选区域。...
CNN特征图可视化
05-18
基于MATLAB中MatConvNet工具包实现的VGG网络特征图和卷积核可视化
Caffe入门实验九：caffe提取特征并进行可视化
u010142666的博客
03-05 2901
这一节是对上面一节分类的图片进行可视化的，前面的部分基本是一样的，就是载入模块、路径、图片、向前分类，具体程序如下：//需要的模块，设置好路径和绘图参数，全写在前面了 import numpy as np import matplotlib.pyplot as plt //画图显示用的 import os import sys import pickle import cv2 import Im
caffe特征图可视化
wwy
08-19 313
这里主要测试了一下如何对利用caffe的python接口对特征进行可视化，从一次forword中取出param和blob里面的卷积核 和响应的卷积图。我主要是对caffe/models/bvlc_reference_caffenet/路径下的模型和网络配置文件进行了测试，模型为bvlc_reference_caffenet.caffemodel，配置文件为：deploy.prototxt，模型可能...
Caffe学习系列（九）：特征可视化
la_fe_的博客
01-02 489
Caffe学习系列（九）：特征可视化 caffe特征可视化—python实现 1. 源码 说明：参看博主的模型为 caffe/models/bvlc_reference_caffenet 本文对SSD进行特征可视化，修改源码如下 SSD_visual.py # -*- coding:utf-8 -*- import numpy as np import matplotlib.pyplot ...
Caffe学习笔记4图像特征进行可视化
晨凫追风
12-09 1735
Caffe学习笔记4图像特征进行可视化 本文为原创作品，未经本人同意，禁止转载，禁止用于商业用途！本人对博客使用拥有最终解释权  欢迎关注我的博客：http://blog.csdn.net/hit2015spring和http://www.cnblogs.com/xujianqing/  这篇文章主要参考的是http://nbviewer.jupyter.org/github/B
基于Caffe的CNN剪枝
点滴积累
07-05 1万+
背景 传统的CNN网络训练完之后，全连接层的权值矩阵动辄就几十万、几百万个参数值，可见CNN模型的庞大，但是仔细观察CNN的权值矩阵就会发现，里面有很多的参数的绝对值都很小，比如在-0.001到0.001之间，也就是说这些连接对CNN的训练或者测试结果作用很小，因此我们就可以尝试将这些小值参数去掉，既可以减小模型的规模又可以减少计算量，最重要的前提是要保证CNN的有效性，也即正确率。 主要
Caffe网络结构可视化、特征图可视化、学习曲线可视化
liupc的学习笔记
04-25 1733
一、网络结构可视化 点击此处返回总目录 二、特征图可视化 三、训练Loss和准确率可视化 ...
Caffe Python 深度学习可视化解析
"这篇文章除了介绍Caffe Python可视化程序的基本概念，还涉及了如何批量抽取图像特征。" 在Caffe Python可视化程序中，有以下几个关键知识点： 1. **net.blobs.items()**: 这个方法用于访问Caffe网络模型中各个层...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值