caffe学习笔记——python+提取caffemodel中的参数及特征

       在公式  y=f(wx+b)中，w和b就是我们需要训练的东西，w称为权值，在cnn中也可以叫做卷积核（filter），b为偏置项。f是激活函数，有sigmoid、tanh、relu等。x是输入的数据。数据训练完成后，保存的caffemodel里面，实际上就是各层的w和b值。

在这里，我们仍用之前训练好的lenet_iter_9380.caffemodel进行试验，在Spyder编译器下观察如下代码：

import caffe
import numpy as np
root='D:/caffe/caffe-master/caffe-master/mnist/'   #根目录
deploy=root + 'mnist/deploy.prototxt'    #deploy文件
caffe_model=root + 'mnist/lenet_iter_9380.caffemodel'   #训练好的 caffemodel
net = caffe.Net(deploy,caffe_model,caffe.TEST)   #加载model和network
[(k,v[0].data.shape) for k,v in net.params.items()]  #查看各层参数规模
w1=net.params['Convolution1'][0].data  #提取参数w
b1=net.params['Convolution1'][1].data  #提取参数b
net.forward()   #运行测试

[(k,v.data.shape) for k,v in net.blobs.items()]  #查看各层数据规模
fea=net.blobs['InnerProduct1'].data   #提取某层数据（特征）

代码解读：

（1）

net = caffe.Net(deploy,caffe_model,caffe.TEST)   #加载model和network

把所有的参数和数据都加载到一个net变量里面，其中：

    net.params: 保存各层的参数值（w和b)

    net.blobs: 保存各层的数据值

（2）要查看各层的参数值，需通过以下命令：

[(k,v[0].data.shape) for k,v in net.params.items()]  #查看各层参数规模

其中，k表示层的名称，v[0].data就是各层的W值，而v[1].data是各层的b值。注意：并不是所有的层都有参数，只有卷积层和全连接层才有。

（3）提取参数w和b

下列代码为提取卷积层“Convolution1”的参数：

w1=net.params['Convolution1'][0].data  #提取参数w
b1=net.params['Convolution1'][1].data  #提取参数b

由此即可得到参数如下：

（4）查看数据

net里面刚开始是没有数据的，若要查看数据，需要先运行net.forward() ：

net.forward()   #运行测试
[(k,v.data.shape) for k,v in net.blobs.items()]  #查看各层数据规模

实际上数据刚输入的时候，我们叫图片数据，卷积之后我们就称其为特征了。

运行后我们就可以提取第一个全连接层的数据：

fea=net.blobs['InnerProduct1'].data   #提取某层数据（特征）

运用该程序，我们可以随时查看网络中的各种参数及特征数据。