手动读取pnet模型参数

说白了pnet模型参数就用numpy做了个保存，直接读取就好了。这样参数保存方式可以跨框架，也就是说caffe训练的模型可以直接拿到tensorflow上使用。当然结构得重写，所以只适合比较小的模型，例如：pnet

import numpy as np
#latin1是什么意思，我也不知道
test = np.load('det1.npy',encoding='latin1')
#test是个np数组，里面的内容是个多层字典
a = test.all()

for t in a:
    print(t)#打印第一层
    b = a[t]
    for i in b:#打印第二层
        print('****',i)

最终输出的结构：
conv3
** weights
** biases
conv1
** weights
** biases
conv4-1
** weights
** biases
conv4-2
** weights
** biases
PReLU1
** alpha
conv2
** weights
** biases
PReLU2
** alpha
PReLU3
** alpha