数据可视化

JLU-IPVR

听笙

代码实现在jupyter notebook中，以caffe程序自带的小猫图片为例，显示图像大小为360*48*3.

 

import numpy as np

import matplotlib.pyplot as plt

%matplotlib inline

import caffe

caffe_root='E:/caffe/caffe-master/'

import os,sys

os.chdir(caffe_root)

sys.path.insert(0,caffe_root+'python')

im = caffe.io.load_image('examples/images/cat.jpg')

print im.shape         #输出图像尺寸

plt.imshow(im)         #显示图像

plt.axis('off')        #去掉坐标值

 

将E:/caffe/caffe-master/examples/net_surgery/conv.prototxt中的文件进行修改：

一是将input_shape由原来的是（1，1，100，100）修改为(1,3,100,100),即由单通道灰度图变为三通道彩色图。

二是将过滤器个数(num_output)由3修改为16，多增加一些filter, 当然保持原来的数不变也行。

将图片数据加载到blobs，但反过来，我们也可以反过来从blob中提取出原始数据，并进行显示。

显示的时候要注意各维的顺序，如blobs的顺序是(1,3,360,480),从前往后分别表示1张图片，3三个通道，图片大小为360x480，需要调用transpose改变为(360,480,3)才能正常显示。

其中用data[0]表示第一张图片，下标从0开始，此例只有一张图片，因此只能是data[0]，分别用data[0,0],data[0,1]，data[0,2]表示该图片的三个通道。

 

net =caffe.Net('E:/caffe/caffe-master/examples/net_surgery/conv.prototxt', caffe.TEST)

im_input=im[np.newaxis,:,:,:].transpose(0,3,1,2)

print "data-blobs:",im_input.shape

net.blobs['data'].reshape(*im_input.shape)

net.blobs['data'].data[...] = im_input

plt.imshow(net.blobs['data'].data[0].transpose(1,2,0))

plt.axis('off')

 

编写一个show_data函数来显示数据。

plt.rcParams['image.cmap'] = 'gray'

def show_data(data,head,padsize=1, padval=0):

    data -= data.min()

    data /= data.max()

   

    # force the number of filters tobe square

    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))

   

    # tile the filters into an image

    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:])

    plt.figure()

    plt.title(head)

    plt.imshow(data)

plt.axis('off')

 

print "data-blobs:",net.blobs['data'].data.shape

show_data(net.blobs['data'].data[0],'origin images')

调用forward()执行卷积操作，blobs数据发生改变。由原来的(1,3,360,480)变为（1，16，356，476）。

并初始化生成了相应的权值，权值数据为(16,3,5,5)。

最后调用两次show_data来分别显示权值和卷积过滤后的16通道图片。

net.forward()

print"data-blobs:",net.blobs['data'].data.shape

print"conv-blobs:",net.blobs['conv'].data.shape

print"weight-blobs:",net.params['conv'][0].data.shape

show_data(net.params['conv'][0].data[:,0],'conv weights(filter)')

show_data(net.blobs['conv'].data[0],'post-conv images')

这里作者有一个疑惑，作者在两台电脑上执行了上述代码，其中在一台机器上执行到最后一段的时候崩了。很尴尬。

 

JLU-IPVR

听笙

代码实现在jupyter notebook中，以caffe程序自带的小猫图片为例，显示图像大小为360*48*3.

 

import numpy as np

import matplotlib.pyplot as plt

%matplotlib inline

import caffe

caffe_root='E:/caffe/caffe-master/'

import os,sys

os.chdir(caffe_root)

sys.path.insert(0,caffe_root+'python')

im = caffe.io.load_image('examples/images/cat.jpg')

print im.shape         #输出图像尺寸

plt.imshow(im)         #显示图像

plt.axis('off')        #去掉坐标值

 

将E:/caffe/caffe-master/examples/net_surgery/conv.prototxt中的文件进行修改：

一是将input_shape由原来的是（1，1，100，100）修改为(1,3,100,100),即由单通道灰度图变为三通道彩色图。

二是将过滤器个数(num_output)由3修改为16，多增加一些filter, 当然保持原来的数不变也行。

将图片数据加载到blobs，但反过来，我们也可以反过来从blob中提取出原始数据，并进行显示。

显示的时候要注意各维的顺序，如blobs的顺序是(1,3,360,480),从前往后分别表示1张图片，3三个通道，图片大小为360x480，需要调用transpose改变为(360,480,3)才能正常显示。

其中用data[0]表示第一张图片，下标从0开始，此例只有一张图片，因此只能是data[0]，分别用data[0,0],data[0,1]，data[0,2]表示该图片的三个通道。

 

net =caffe.Net('E:/caffe/caffe-master/examples/net_surgery/conv.prototxt', caffe.TEST)

im_input=im[np.newaxis,:,:,:].transpose(0,3,1,2)

print "data-blobs:",im_input.shape

net.blobs['data'].reshape(*im_input.shape)

net.blobs['data'].data[...] = im_input

plt.imshow(net.blobs['data'].data[0].transpose(1,2,0))

plt.axis('off')

 

编写一个show_data函数来显示数据。

plt.rcParams['image.cmap'] = 'gray'

def show_data(data,head,padsize=1, padval=0):

    data -= data.min()

    data /= data.max()

   

    # force the number of filters tobe square

    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))

   

    # tile the filters into an image

    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:])

    plt.figure()

    plt.title(head)

    plt.imshow(data)

plt.axis('off')

 

print "data-blobs:",net.blobs['data'].data.shape

show_data(net.blobs['data'].data[0],'origin images')

调用forward()执行卷积操作，blobs数据发生改变。由原来的(1,3,360,480)变为（1，16，356，476）。

并初始化生成了相应的权值，权值数据为(16,3,5,5)。

最后调用两次show_data来分别显示权值和卷积过滤后的16通道图片。

net.forward()

print"data-blobs:",net.blobs['data'].data.shape

print"conv-blobs:",net.blobs['conv'].data.shape

print"weight-blobs:",net.params['conv'][0].data.shape

show_data(net.params['conv'][0].data[:,0],'conv weights(filter)')

show_data(net.blobs['conv'].data[0],'post-conv images')

这里作者有一个疑惑，作者在两台电脑上执行了上述代码，其中在一台机器上执行到最后一段的时候崩了。很尴尬。