Using resnet50 to extract feature

1. #resnet feature extraction  
2. import os  
3. os.chdir('/root/caffe-master/examples')  
4.   
5. import numpy as np  
6. import matplotlib.pyplot as plt  
7. import itertools  
8. import csv  
9.   
10. plt.rcParams['figure.figsize']=(10,10)  
11. plt.rcParams['image.interpolation']='nearest'  
12. plt.rcParams['image.cmap']='gray'  
13.   
14. import sys  
15.   
16. caffe_root='../'           #this file should be run from {caffe_root}/examples(otherwise change this line)  
17.   
18. import caffe  
19.   
20. caffe.set_mode_gpu()  
21.   
22. model_def='../atongtest/ResNet-50-deploy.prototxt'  
23. model_weights='../atongtest/ResNet-50-train2_iter_350000.caffemodel'  
24.   
25. net=caffe.Net(model_def,model_weights,caffe.TEST)  
26.   
27. MEAN_PROTO_PATH=caffe_root+'atongtest/ResNet_mean.binaryproto'  
28.   
29. blob=caffe.proto.caffe_pb2.BlobProto()  
30. data=open(MEAN_PROTO_PATH,'rb').read()  
31. blob.ParseFromString(data)  
32. array=np.array(caffe.io.blobproto_to_array(blob))  
33.   
34. mu=array[0]  
35. mean=mu.mean(1).mean(1)  
36.   
37. net=caffe.Classifier(model_def,model_weights,mean=mean,channel_swap=(2,1,0),raw_scale=255,image_dims=(224,224))  
38.   
39.   
40.   
41. #rootdir 根目录，subdir 根目录下的子目录，若没有 则为[], subfile：根目录下的文件，若没有 则为[]  
42. #os.walk 先遍历根目录，然后将子目录路径添加到原根目录，以rootdir+subdir[i] 做为新的根目录继续遍历 ，由此实现 给定路径下所有文件的遍历  
43. #imgpath:带检测图片路径  
44. #Imglist ：所有图片的路径  
45. imgpath='/root/lfw-gray-224'  
46. imglist=[]  
47. for (rootdir, subdir, subfile) in os.walk(imgpath):  
48.     for img_jpg in subfile:  
49.         if img_jpg.endswith('.jpg'):  
50.             imglist.append(os.path.join(rootdir, img_jpg))  
51.   
52. #Pre_feature_ndarray  存放所有图片的特征值，第一行为随机向量，为了可以将后续提取的图片连接，处理完所有图片后删除第一行，  
53. #得到存放所有图片特征值的 ndarray ：Final_feature  
54. pre_feature_ndarray=np.random.randn(1,2048)  
55. for subimg in imglist:  
56.     input_image=caffe.io.load_image(subimg)  
57.     prediction=net.predict([input_image])  
58.     face_feature=net.blobs['pool5'].data[0]  
59.     feature_reshape=face_feature.reshape((1,2048))    
60.       
61.     pre_feature_ndarray=np.r_['0',pre_feature_ndarray,feature_reshape]  
62.   
63. final_feature=pre_feature_ndarray[1:]  
64.   
65. #特征值 个数  
66. feature_num=len(final_feature)  
67.   
68. infile=file('/root/class_in.csv','wb')  
69. outfile=file('/root/class_out.csv','wb')  
70.   
71. d1=csv.writer(infile)  
72. d2=csv.writer(outfile)  
73. #计算特征值距离  
74. #itertools.combination('ABCD',2): AB AC AD BC BD CD    itertools 迭代器  
75. for img1,img2 in itertools.combinations(range(feature_num),2):  
76.   
77. #    distance_feature=np.linalg.norm(final_feature[img1]-final_feature[img2])  
78.     v1=final_feature[img1].reshape(1,2048)  
79.     v2=final_feature[img2].reshape(1,2048)  
80.       
81.     cos_distance=np.sum((v1*v2),1)/(np.linalg.norm(v1)*np.linalg.norm(v2))  
82.     img1_path=imglist[img1]  
83.     img2_path=imglist[img2]  
84.     if os.path.dirname(img1_path)==os.path.dirname(img2_path):  
85.         d1.writerow([cos_distance])  
86.     else:  
87.         d2.writerow([cos_distance])  
88.   
89. infile.close()  
90. outfile.close()  

Original url:

http://blog.csdn.net/zuqiutxy/article/details/71156593