Matcaffe学习笔记

最新推荐文章于 2024-04-15 07:19:26 发布

wshdkf

最新推荐文章于 2024-04-15 07:19:26 发布

阅读量1.6k

点赞数

分类专栏：深度学习

本文链接：https://blog.csdn.net/wshdkf/article/details/78990013

版权

深度学习专栏收录该内容

14 篇文章 0 订阅

订阅专栏

1、获得深度CNN网络某一层的参数的数值

在Matcaffe中，首先激活caffe，并将Net实例化（比如执行语句caffe_net = caffe.Net(test_net_def_file, 'test')）。假设你的inputs都已经准备好了。前面的其他步骤此处不再提及。（此处用的是Faster R-CNN中的ZF网络）
看一看Net.m文件中对相关参数的实现。需要传入的参数包括层的名字layer_name，以及blob的索引号blob_index。

    function blob = params(self, layer_name, blob_index)
        %通过layer名称与该层中某个blob的索引，获得该blob的参数
      CHECK(ischar(layer_name), 'layer_name must be a string');
      CHECK(isscalar(blob_index), 'blob_index must be a scalar');
      blob = self.layer_vec(self.name2layer_index(layer_name)).params(blob_index);
    end

layer_name是你想获得的参数所在层的名称。通过caffe_net.layer_names命令可获得所有层的名称。比如我想获得conv5的卷积核参数值，则上面的参数layer_name='conv5'

一般，在卷积层，卷积核参数包括两个blob，一个是weights，另一个是biases，前者的blob_index为1，后者的blob_index为2。
获得blob。

conv5_blob_weights = caffe_net.params('conv5' , 1);	%权重blob ：
conv5_blob_biases = caffe_net.params('conv5' , 2);	%权重blob ：

从权重blob获得数值，使用的是Blob类的get_data()函数。

conv5_weights = conv5_blob_weights.get_data();
conv5_biases = conv5_blob_biases.get_data();

最终，得到的权重和偏置都是4-D的数据，它们也就是卷积核的参数。比如：我的conv5_weights的size为[3，3，384，256]，则卷积核的尺寸是3*3大小，被卷积的数据（上一个卷积层输出的卷积特征图）的通道数是384，所以卷积核的通道数也就是384，保持一致。卷积核的第四维度是256，它决定了卷积之后的特征图的通道数是256。我执行conv5_output = caffe_net.blob('conv5').get_data()获得卷积层conv5的输出的数据，那么conv5_output的size为[15，15，256]，其中15*15是特征图的大小，256是通道数。conv5_biases的数据说起来是4维的，其实除了第一维度，其他维度都是1，比如此时我的conv5_biases的size为256,对应conv5_weights的“输出维度”256。