caffe matlab 重启,Matlab caffe 具体使用方法

Matlab caffe 具体使用方法

caffe 的matlab接口网络上的资料比较少，这里把几个基本的操作简单介绍，主要包括：

classification_demo的简单介绍

卷积核的显示

各层数据的显示

classification_demo的简单介绍

本文的前提是要编译好caffe的matlab接口，这个问题网上有很多的博文介绍，我觉得我不能够比他们说的更清楚，所以这里不再介绍，如果出现错误：Invalid MEX-file “…….caffe_.mexw64”找不到指定的模块 记得把3rdparty\bin中的dll文件，拷贝到 “caffe-windows-master\matlab+caffe\private“中，我出现了这个问题。现在我们就可以好好的看下这个例子。

classification_demo.m需要文件bvlc_reference_caffenet.caffemodel，可以到http://dl.caffe.berkeleyvision.org/ 下载，下载后放到“models/bvlc_reference_caffenet/”中。

首先有确定是用cpu还是gpu，同时要注意调用gpu的方法。

if exist('use_gpu', 'var') && use_gpu

caffe.set_mode_gpu();

gpu_id = 0; % we will use the first gpu in this demo

caffe.set_device(gpu_id);

else

caffe.set_mode_cpu();

end

指定网络结构和相应的参数。

model_dir = '../../models/bvlc_reference_caffenet/';

net_model = [model_dir 'deploy.prototxt'];

net_weights = [model_dir 'bvlc_reference_caffenet.caffemodel'];

接下来就可以创建一个网络。

net = caffe.Net(model, weights, 'test'); % create net and load weights

或者

net = caffe.Net(model, 'test'); % create net but not load weights

net.copy_from(weights); % load weights

简单的看一下这个net

Net (带属性):

layer_vec: [1x23 caffe.Layer]

blob_vec: [1x15 caffe.Blob]

inputs: {'data'}

outputs: {'prob'}

name2layer_index: [23x1 containers.Map]

name2blob_index: [15x1 containers.Map]

layer_names: {23x1 cell}

blob_names: {15x1 cell}

net.blob_names'

'data' 'conv1' 'pool1' 'norm1' 'conv2' 'pool2' 'norm2' 'conv3' 'conv4' 'conv5' 'pool5' 'fc6' 'fc7' 'fc8' 'prob'

net.layer_names'

'conv1' 'relu1' 'pool1' 'norm1' 'conv2' 'relu2' 'pool2' 'norm2' 'conv3' 'relu3' 'conv4' 'relu4' 'conv5' 'relu5' 'pool5' 'fc6' 'relu6' 'drop6' 'fc7' 'relu7' 'drop7' 'fc8' 'prob'

其中两个map的作用就如他们的名字一样，matlab中各layer和blob都有相应的index，而对于我们来说对他们的具体名字更加清楚，这两个map就给出了从名字到index的一个映射。例如我想获得网络conv2的参数

nth_layer = net.layer_vec(net.name2layer_index('conv2'));

nth_layer_blob1_data = nth_layer.params(1).get_data();

也可以访问网络的每一层，以便作一些网络调整。例如把conv1参数乘以10：

net.params('conv1', 1).set_data(net.params('conv1', 1).get_data() * 10); % set weights

net.params('conv1', 2).set_data(net.params('conv1', 2).get_data() * 10); % set bias

你也可以如下代码：

net.layers('conv1').params(1).set_data(net.layers('conv1').params(1).get_data() * 10);

net.layers('conv1').params(2).set_data(net.layers('conv1').params(2).get_data() * 10);

卷积核的显示

接下来就可以做一个简单的显示网络参数的工作

sizeB = size(nth_layer_blob1_data);% 5 5 48 256

GridL = ceil(sqrt(sizeB(4)));

scale = 4;

border = 2;

sizeB(1) = sizeB(1) * scale;

sizeB(2) = sizeB(2) * scale;

background = zeros((border+sizeB(1))*GridL+border,(border+sizeB(2))*GridL+border,1);

minV = min(nth_layer_blob1_data(:));

maxV = max(nth_layer_blob1_data(:));

nth_layer_blob1_data = (nth_layer_blob1_data - minV) / (maxV - minV);

for i = 1:sizeB(4)

x = ceil(i / GridL);

y = mod(i - 1,GridL) + 1;

patch = imresize(nth_layer_blob1_data(:,:,1,i),[sizeB(1) sizeB(2)],'nearest');

patch = (patch - min(patch(:))) / (max(patch(:)) - min(patch(:)));

background(border + (x-1)*(border+sizeB(1)) + 1 : x*(border+sizeB(1)),border + (y-1)*(border+sizeB(2)) + 1 : y*(border+sizeB(2)),:) = patch;

end;

figure(1);

imshow(background);

colormap('jet');

colorbar();

以下是前三个卷积核的显示结果：

这里要注意，只有在我们做过了前向预测之后才能去观察blob中的数据，不然全部都是0.

各层结果的显示

scores = net.forward(input_data);

这是我们已经做完了前向传播，也就是说已经可以看每一层输出的结果了。

nth_layer_blob1_data=net.blobs('conv1').get_data();

%卷积结果的可视化

sizeB = size(nth_layer_blob1_data);

GridL = ceil(sqrt(sizeB(3)));

scale = 4;

border = 2;

sizeB(1) = sizeB(1) * scale;

sizeB(2) = sizeB(2) * scale;

background = zeros((border+sizeB(1))*GridL+border,(border+sizeB(2))*GridL+border);

minV = min(nth_layer_blob1_data(:));

maxV = max(nth_layer_blob1_data(:));

nth_layer_blob1_data = (nth_layer_blob1_data - minV) / (maxV - minV);

for i = 1:sizeB(3)

x = ceil(i / GridL);

y = mod(i - 1,GridL) + 1;

patch = imresize(nth_layer_blob1_data(:,:,i,1),[sizeB(1) sizeB(2)],'nearest');

patch = (patch - min(patch(:))) / (max(patch(:)) - min(patch(:)));

background(border + (x-1)*(border+sizeB(1)) + 1 : x*(border+sizeB(1)),border + (y-1)*(border+sizeB(2)) + 1 : y*(border+sizeB(2)),:) = patch;

end;

figure();

imshow(background);

colormap('jet');

colorbar();

这里要注意一点就是layer中参数与blob中的数据的维度对应关系要看清晰。

前两层的convblob数据以及poolblob中的数据显示结果。

实验中的原始图像：