tensorflow模型转为caffe

参考文章：

tensorflow2caffe专栏-jiongnima

1.提取TensorFlow参数

win10下保存文件名不能有：跟/
caffe input shape：BCHW
convolution shape: out_c,in_c,k_h,k_w
deconvolution shape: in_c,out_c,k_h,k_w
tensoflow input shape：BCHW
convolution shape: k_h,k_w,in_c,out_c
deconvolution shape: k_h,k_w,out_c,in_c

#!/usr/bin/python

import tensorflow as tf
import numpy as np

with tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)) as sess:
    new_saver = tf.train.import_meta_graph("path/to/.meta")

    for var in tf.trainable_variables():
        print (var.name)
    new_saver.restore(sess, tf.train.latest_checkpoint('path/to/checkpoint wenjianjia'))
    all_vars = tf.trainable_variables()
    for v in all_vars:
        name = v.name
        name = name.replace(':','/')
        fname = name + '.prototxt'
        fname = fname.replace('/', '_')
        fname = 'E:/ljjie/algorithm/lanenet-lane-detection-master/pb/caffe/' + fname
        print(fname)
        v_4d = np.array(sess.run(v))
        if v_4d.ndim == 4:
            # v_4d.shape [ H, W, I, O ]
            v_4d = np.swapaxes(v_4d, 0, 2)  # swap H, I
            v_4d = np.swapaxes(v_4d, 1, 3)  # swap W, O
            v_4d = np.swapaxes(v_4d, 0, 1)  # swap I, O
            # v_4d.shape [ O, I, H, W ]
            f = open(fname, 'w')
            vshape = v_4d.shape[:]
            v_1d = v_4d.reshape(v_4d.shape[0] * v_4d.shape[1] * v_4d.shape[2] * v_4d.shape[3])
            f.write('  blobs {\n')
            for vv in v_1d:
                f.write('    data: %8f' % vv)
                f.write('\n')
            f.write('    shape {\n')
            for s in vshape:
                f.write('      dim: ' + str(s))  # print dims
                f.write('\n')
            f.write('    }\n')
            f.write('  }\n')
        elif v_4d.ndim == 1:  # do not swap
            f = open(fname, 'w')
            f.write('  blobs {\n')
            for vv in v_4d:
                f.write('    data: %.8f' % vv)
                f.write('\n')
            f.write('    shape {\n')
            f.write('      dim: ' + str(v_4d.shape[0]))  # print dims
            f.write('\n')
            f.write('    }\n')
            f.write('  }\n')
        f.close()

2.按照TensorFlow网络结构写caffe.prototxt

可在netscope在线编写，可以检查所写网络是否正确，数据维度是否匹配。
tensorflow的bn层对应caffe的bn+scale层
caffe中卷积层输出计算公式：out=((in+2*pad-k)/s)+1
反卷积计算公式：out=(in-1)*s+k-2*pad
各层的编写就在网上搜着写。

3.caffemodel拼接

caffemodel为prototxt+提取出的权重blob。
首先手动将上一步所写prototxt按照提取出的参数名在相应的地方断开。

其次写index.txt，将层与权重相对应，以便下一步拼接

最后通过cat.sh将拆开的prototxt以及权重拼接起来。

#!/bin/bash
 
cat index.txt |while read line
do
cat $line >>model.prototxt
done

4.caffemodel生成

按大佬的步骤修改.cpp以及CmakList，基本没啥问题。问题出在编译上。
第一次编译，

mkdir cmake
cd cmake
cmake ..
make

报找不到caffe/caffe.hpp的错，检查cmakelist后发现相应头文件已经被添加了，怀疑没有访问权限，于是加上sudo make，成功编译。
第二次编译，还是报找不到caffe/caffe.hpp的错，但是这次sudo make没用了，于是不在cmake文件夹下编译，直接编译

cmake .
make

编译成功。