【tensorflow2caffe】四、 将权重写入deploy以及生成caffemodel

在博客开始前，首先郑重感谢博主jiongnima的博客对我的帮助，我按照博主的方法顺利的把bcnn模型的tensorflow版转为caffe版，关于bcnn模型，它是个细粒度分类模型，我将在后续的博客中详细介绍。

首先隆重呈上博主的链接：

https://blog.csdn.net/jiongnima/article/details/78435500

    转模型系列博文的操作主要基于博主的实验探索，中间也穿插着我自己的一些想法以及重新编排，在强烈膜拜原创的基础上，将转模型过程进行了亲自的实践并成功复现，因此暂时（不要脸）的将该系列博文归为原创。

    下面进入正题部分。

    上一篇博客https://blog.csdn.net/zl3090/article/details/89045038 讲到了将tensorflow提取出的权重转为caffe框架的shape，本篇重点讲如何将权重写入deploy文件，以及生成caffemodel。

    首先是将权重写入deploy文件：

    将权重写入deploy的过程实际就是把所得到的权重文件与对应的层文件拼接在一起，上文已经生成所有卷积层和全连接层的w和b，那么接下来简单的思路是把deploy文件拆分开来，然后用cat命令逐个将其连接，如下所示（由于不便截图，此处使用原作者的图，效果是一样的）：

所得参数文件示意图：

其中参数的展示：

然后将data写入deploy，写入形式为：

layer {
	name: "conv_layer_name"
	type: "Convolution"
	bottom: "bottom_blob"
	top: "top_blob"
	param { lr_mult: ... }
	convolution_param {
		num_output: output_dims
		kernel_size: kernel_size
		pad: padding_size
		stride: stride
		bias_term: false
	}
	#add params weight
        blobs: {
          data: ...
          ...
          shape {
            dim: ...
            dim: ...
            dim: ...
            dim: ...
          }
        }
	#add params bias
        blobs: {
          data: ...
          ...
          shape {
            dim: ...
            dim: ...
            dim: ...
            dim: ...
          }
        }
}

    因此就是把w和b按顺序写入对应层的layer即可，手动分割deploy文件示意图：

     然后再将上图中的文件和转化得到的.prototxt格式的众多参数文件放在同一目录下，并且使用一个index.txt文件从上到下记录了拼接顺序：

然后使用一个名为ss.sh的脚本文件作拼接：

#!/bin/bash
 
cat index.txt |while read line
do
cat $line >>model.prototxt
done

    然后我们运行ss.sh文件：

    生成了一个很大的prototxt文件，这就是最终的模型文件，它将将被转化为.caffemodel的模型文件并在测试程序中被调用。

    接下来讲述如何从prototxt生成caffemodel

    还记得博客https://blog.csdn.net/zl3090/article/details/89040761 中探索了caffemodel存储了什么内容的过程吗？在读caffemodel文件的时候，我们使用了ReadProtoFromBinaryFile函数将参数从二进制读出到proto中，搭配WriteProtoToTextFile函数将参数从proto中写入文件。 因此在生成caffemodel时，正好是该过程的逆。

我们可以先使用ReadProtoFromTextFile将文件中的参数写入proto，然后再使用WriteProtoToBinaryFile函数将proto中的参数转化为caffemodel，具体代码如下：

#include <caffe/caffe.hpp>
#include <google/protobuf/io/coded_stream.h>
#include <google/protobuf/io/zero_copy_stream_impl.h>
#include <google/protobuf/text_format.h>
#include <algorithm>
#include <iosfwd>
#include <memory>
#include <string>
#include <utility>
#include <vector>
#include <iostream>
#include "caffe/common.hpp"
#include "caffe/proto/caffe.pb.h"
#include "caffe/util/io.hpp"
 
using namespace caffe;
using namespace std;
using google::protobuf::io::FileInputStream;
using google::protobuf::io::FileOutputStream;
using google::protobuf::io::ZeroCopyInputStream;
using google::protobuf::io::CodedInputStream;
using google::protobuf::io::ZeroCopyOutputStream;
using google::protobuf::io::CodedOutputStream;
using google::protobuf::Message;
 
int main()
{
	NetParameter proto;
	ReadProtoFromTextFile("/home/cvlab/model/model.prototxt", &proto);
	WriteProtoToBinaryFile(proto, "/home/cvlab/model/model.caffemodel");
	return 0;
}

对应的CMakeLists.txt文件如下所示：

cmake_minimum_required (VERSION 2.8)

project (write_model)

add_executable(write_model wm.cpp)

include_directories ( /home/cvlab/caffe-master/include
    /usr/local/include
    /usr/local/cuda/include
    /usr/include )

target_link_libraries(write_model
    /home/cvlab/caffe-master/build/lib/libcaffe.so
    /usr/lib/x86_64-linux-gnu/libglog.so
    /usr/lib/x86_64-linux-gnu/libboost_system.so
    )

 然后我们运行一下该程序，首先编译：

然后运行：

    可以看到，是不是生成了全新的model.caffemodel文件呢？大功告成！

    到这里，tensorflow2caffe框架转换的工作就正式完成了！