专注于机器学习
如何解读Caffe源码
如何解读Caffe源码
Caffe是现在非常流行的深度学习库，能够提供高效的深度学习训练。该库是用C++编写，能够使用CUDA调用GPU进行加速。但是caffe内置的工具不一定能够满足用户的所有需求，所以阅读源码并理解它，是很有必要的。
这篇博文不是想把Caffe的所有函数都讲一遍，因为Caffe的源码很大，一本书都不一定能够说清楚。这里我只是说说该怎么去阅读源码，给大家提供一个思路和建议，让大家能够快速把握caffe的整体，出了问题该往哪个方向去思考。
caffe的编译，网上已有很多教程，大家可以看看。
Caffe的文件组织方式
caffe-master
编译后的存放的目录
examples使用到的所有数据都放在这里了
这里有很多讲解caffe的文件，新手可以把这里的东西好好看看。.md文件推荐使用atom软件进行查看
这里是放例子的地方，可以借着这些例子好好理解下该怎么用caffe。特别是mnist
这里存放着caffe的所有头文件。阅读头文件可以让人很快地把握全局而不考虑具体实现
和 matcaffe有关的文件
这里有一些如何写deploy文件的示例，可以用在训练完成后发布你的模型
和pycaffe有关的文件都放在这里了。在python中使用caffe时，需要把该路径给加上
一些帮助使用caffe的脚本
头文件的实现都在这里
一些常用的工具的源代码，编译后的可执行文件在build/tools中
examples里面由好几个caffe的示例，打开mnist看下，里面由很多文件，我们先看readme.md。里面很好的讲解了如何运行这个模型，以及各个参数代表什么意思。读懂了这个的话，基本上你就会运行示例了。其他的示例也可以照这样学习。值得一提的是，学习这个部分时，可以结合docs里面的讲解，还有一些 *.ipynb。如何查看ipynb就不说了，自己查资料。
示例运行得差不多，你就可以琢磨下如何使用deploy文件了。
理解caffe源码
为了更好的阅读代码，我建议按如下步骤使用Eclipse打开caffe工程：
配置下java，因为Eclipse需要java环境
下载eclipse cpp版
打开Eclipse，在菜单栏File-&import-&c/c++-&Existing code as Autotools project，按next，然后在browse中找到caffe-master，进入caffe-master后按确认。
这样就导入了整个工程了，但是不要尝试使用Eclipse来编译caffe，因为基本上都编译不通过。
blob、layer、net、solver这几个是要好好阅读的（头文件以及实现），可以结合这docs里面的文件看。看懂了这几个文件，那么你基本上就大概知道caffe是如何运行的了。
但是你可能在运行示例时很纳闷，每个层那么多的参数，我该怎么知道它是什么意思。别担心，所有的这些信息都可以在src/caffe/proto/caffe.proto中找到。看不懂的话，可以查一下protobuf的使用。
上面的如果都看懂了，那就可以好好研究下src/caffe/layers里面的文件了，把mnist用到的那些层好好看看它是怎么实现的，可以先看cpp，有cuda基础的就看看cu。
添加自己的层
添加自己的caffe层需要有一定的c++基础，至少要明白什么是继承，什么是虚函数，以及多线程的基本概念。可以选择继承一个和自己功能最相近又满足继承关系的层。
具体的步骤可以参考下博文。
使用pycaffe
使用pycaffe的话，我推荐使用cmake而不是直接的make编译工程，因为现在的版本中make后的pycaffe经常出现找不到链接库。
现在是看*.ipynb文件的时候了，里面详细讲解了如何使用caffe的python接口。出现问题的话就看源代码。建议使用pycharm或者Eclipse Java版。
没有更多推荐了，
加入CSDN，享受更精准的内容推荐，与500万程序员共同成长！Caffe是一个深度学习框架，具有表达力强、速度快和模块化的思想，由伯克利视觉学习中心（BVLC）和社区贡献者开发。Yangqing Jia在加州大学伯克利分校攻读博士期间创建了这个项目。
为什么选择Caffe？
富有表现力的架构鼓励应用和创新。使用Caffe，可以在配置中定义模型和优化，不需要硬编码。通过设置一个GPU机器训练标记在CPU和GPU之间转换，接着调配商品化集群系统或移动设备来完成。
代码的可扩展性让开发更加活跃。在Caffe项目的第一年，它就被开发者fork超过1000次，由他们完成许多重要的修改并反馈回来。多亏那些贡献者，这个框架在代码和模型两方面都在追踪最先进的技术。
速度使Caffe完美的用于研究实验和工业开发。使用一个NVIDIA K40 GPU Caffe每天可以处理超过60M的图像。推理过程为1ms/一幅图像，而学习过程为4ms/一幅图像。我们相信Caffe是现在可使用最快的ConvNet应用。
社区：在视觉、速度和多媒体方面，Caffe已经有能力用于学术研究项目、启动原型，甚至大规模的工业应用。
在安装之前，看一下这个手册，记录下平台的一些细节。我们可以在Ubuntu 16.04-12.04、OS X10.11-10.8上通过Docker和AWS安装和运行Caffe。官方的编译脚本和Makefile.config编译由社区CMake编译补全。
逐步介绍：
开包即用计划
使用单个命令安装caffe
请参阅由Guillaume Dumont领导的Windows分支
请参阅由Fabian Tschopp领导的OpenCL分支
预配置为AWS
Caffe有几个依赖项：
是GPU模式所需要的。
推荐使用库版本7+和最新的驱动版本，但是6.*也可以。
5.5和5.0兼容但是被认为是过时的。
通过ATLAS、MKL或OpenBLAS使用。
Protobuf、glog、gflags、hdf5
可选依赖项：
&=2.4 包括3.0
IO库：lmdb、leveldb（注意：leveldb需要snappy）
CuDNN用于GPU加速（v5）
Pycaffe和Matcaffe接口有它们自己的需求。
对于Python Caffe：Python 2.7或Python 3.3+，numpy（&=1.7），boost条件下为boost.python
对于MATLAB Caffe：带有mex编译器的MATLAB。
cuDNN Caffe：为了达到最快的运行速度，Caffe通过插入式集成NVIDIA cuDNN来加速。为了提升你的Caffe模型的速度，安装cuDNN，然后安装Caffe时在Makefile.config中取消注释USE_CUDNN:=1标记。Caffe会自动进行加速。当前版本是cuDNN v5；在旧版Caffe中支持旧版本。
CPU-only Caffe：对于cold-brewed只有CPU模式的Caffe，在Makefile.config中取消注释CUP_ONLY :=1标记，配置和生成没有CUDA的Caffe。这对于云或者集中配置非常有帮助。
CUDA和BLAS
Caffe需要CUDA nvcc编译器编译它的GPU代码和用于GPU操作的CUDA驱动器。可以去网站，按照那里的安装说明安装CUDA。分别安装库和最新的独立驱动器；驱动器和库捆绑在一起通常是过时的。警告！331.*CUDA驱动器序列有严重的性能问题，不要使用它。
为获得最佳性能，Caffe可以通过加速。在cuDNN网站上免费注册、安装，然后继续根据安装说明操作。编译cuDNN时在你的Makefile.config中设置USE_CUDNN :=1标记。
Caffe需要BLAS作为它的矩阵和向量计算的后端。有几个这个库的实现工具。你可以选择：
：免费、开源、默认用于Caffe。
：商业的，针对Intel CPUs进行了优化，可以免费试用，也可以获得。
设置MKL环境变量（细节：，）。例如：source /opt/intel/mkl/bin/mklvars.sh intel64
在Makefile.config中设置BLAS := mkl
：免费并开源；安装这个优化的并行的BLAS需要更多的工作量，虽然它可能提供加速。
安装OpenBLAS
在config中设置BLAS :=open
Python 和 MATLAB Caffe（可选）
主要依赖numpy和boost.python（由boost提供）。Pandas也很有用，而且一些例子中需要它。
你可以使用下面的命令安装依赖项。
for req in $(cat requirements.txt); do pip install $ done
<div class="crayon-num" data-line="crayon-5b2ec
for req in $(cat requirements.txt); do pip install $req; done
但是，建议先安装Anaconda Python发行包，它可以提供大多数必需的包和hdf5库依赖项。
在安装结束后导入caffe Python模块，通过诸如export PYTHONPATH=/path/to/caffe/python:$PYTHONPATH添加模块目录到你的$PYTHONPATH。不应该在caffe/python/caffe目录中导入模块。
Caffe&#8217;s Python接口在Python2.7中工作。Python3.3+应该立即可以使用，不需要protobuf支持。对于protobuf支持请安装protobuf 3.0 alpha (https://developers.google.com/protocol-buffers/)。早期版本的Python需要自行探索安装方法。
安装MATLAB，确保$PATH中已加入mex。
Caffe的MATLAB接口可以在版本2015a、2014a/b、2013a/b和2012b中工作。
Caffe可以使用Make或CMake编译。Make是官方支持，CMake由社区支持。
使用Make编译
通过复制和修改示例Makefile.config为安装配置生成文件。默认值应该可以工作，但是如果使用Anaconda Python，要取消注释对应的代码行。
cp Makefile.config.example Makefile.config
# Adjust Makefile.config (for example, if using Anaconda Python, or if cuDNN is desired)
make runtest
<div class="crayon-num" data-line="crayon-5b2ec<div class="crayon-num crayon-striped-num" data-line="crayon-5b2ec<div class="crayon-num" data-line="crayon-5b2ec<div class="crayon-num crayon-striped-num" data-line="crayon-5b2ec<div class="crayon-num" data-line="crayon-5b2ec
cp Makefile.config.example Makefile.config# Adjust Makefile.config (for example, if using Anaconda Python, or if cuDNN is desired)make allmake testmake runtest
对于CPU&GPU加速的Caffe，不需要改变。
对于使用NVIDIA私有的cuDNN软件的cuDNN加速器，取消注释Makefile.config中的USE_CUDNN :=1。cuDNN有时比Caffe的GPU加速器速度快，但不是一贯如此。
对于只有CPU的Caffe，取消注释Makefile.config中的CPU_ONLY :=1。
为了编译Python和MATLAB包装类，分别执行make pycaffe和make matcaffe。确保先在Makefile.config中设置你的MATLAB和Python路径。
分配：运行make distribute，创建一个带有所有Caffe头文件的distribute目录，编译库、二进制文件等。为分配到其他机器所需。
速度：为了快速的生成，通过运行make all –j8并行编译，其中8是并行编译线程的数量（线程数量最好选择机器内核的数量）。
安装好Caffe后，检查教程和模型教程。
在手动编辑Makefile.config的地方配置编译文件，Caffe提供一个非官方的CMake编译，感谢一些社区成员。需要CMAke版本&=2.8.7。基本步骤如下所示：
mkdir build
make install
make runtest
<div class="crayon-num" data-line="crayon-5b2ec<div class="crayon-num crayon-striped-num" data-line="crayon-5b2ec<div class="crayon-num" data-line="crayon-5b2ec<div class="crayon-num crayon-striped-num" data-line="crayon-5b2ec<div class="crayon-num" data-line="crayon-5b2ec<div class="crayon-num crayon-striped-num" data-line="crayon-5b2ec
mkdir buildcd buildcmake ..make allmake installmake runtest
更多细节参见：
ImageNet训练网络
这个教程是为了让你准备好使用自己的数据训练自己的模型。如果你想要一个ImageNet训练网络，那么请注意训练会消耗大量的能源，而我们讨厌全球变暖，所以我们提供CaffeNet模型作为下面model zoo中的训练模型。
本文指出所有的路径，并假设所有的命令在caffe根目录执行。
ImageNet，我们这里的意思是ILSVRC12挑战赛，但是你可以轻松训练整个ImageNet，只是需要更多的磁盘控件和稍微多一点的训练时间。
我们假设你已经下载了ImageNet训练数据和验证数据，它们存储在你的磁盘中如下位置：
/path/to/imagenet/train/n26.JPEG
/path/to/imagenet/val/ILSVRC2012_val_.JPEG
<div class="crayon-num" data-line="crayon-5b2ec<div class="crayon-num crayon-striped-num" data-line="crayon-5b2ec
/path/to/imagenet/train/n/n26.JPEG/path/to/imagenet/val/ILSVRC2012_val_.JPEG
首先，你需要准备一些用于训练的辅助数据。这些数据可以这样下载。
./data/ilsvrc12/get_ilsvrc_aux.sh
./data/ilsvrc12/get_ilsvrc_aux.sh
训练和验证输入数据分别为train.txt和val.txt，使用文本文件列出所有文件和它们的标签。注意我们对标签使用同ILSVRC devkit不同的索引：我们按照ASCII码排序这些同义词组的名字，从0到999标记它们。在synset_works.txt中查看同义词组和名字的映射。
你可能想要预先调整图像的大小为256*256。默认情况下，我们不需要显示的做这个，因为在集群环境中，一个好处是可以并行调整图像大小，并使用分布式编程环境。例如，Yangqing使用他的轻量级包。如果你想要事情更简单，你也可以像这样使用shell命令：
for name in /path/to/imagenet/val/*.JPEG; do
convert -resize 256x256\! $name $name
<div class="crayon-num" data-line="crayon-5b2ec<div class="crayon-num crayon-striped-num" data-line="crayon-5b2ec<div class="crayon-num" data-line="crayon-5b2ec
for name in /path/to/imagenet/val/*.JPEG; do
convert -resize 256x256\! $name $namedone
看一下examples/imagenet/create_imagenet.sh。根据需要设置路径为训练和验证目录，同时设置“RESIZE=true”调整所有图像的大小为256*256，如果你没有提前调整图像。现在只使用examples/imagenet/create_imagenet.sh创建leveldbs。注意，examples/imagenet/ilsvrc12_train_leveldb和examples/imagenet/ilsvrc12_val_leveldb不应该在执行前存在。它由脚本创建。GLOG_logtostderr=1仅仅传送更多的信息给你观察，你可以安全地忽视它。
计算图像平均值
模型需要我们从每幅图像中减去图像平均值，所以我们必须计算平均值。tools/compute_image_mean.cpp完成这些，它也是一个熟悉怎样操纵多个组件很好的例子，例如协议缓存、leveldbs和登录，如果你不熟悉它们的话。总之，平均值计算可以这样做：
./examples/imagenet/make_imagenet_mean.sh
<div class="crayon-num" data-line="crayon-5b2ec
./examples/imagenet/make_imagenet_mean.sh
结果会生成data/ilsvrc12/imagenet_mean.binaryproto.
我们将描述Krizhevsky、Sutskever和Hinton在 的文章中第一次提出这个方法的参考实例。
网络定义（models/bvlc_reference_caffenet/train_val.prototxt）遵循Krizhevsky等人的定义。注意，如果偏离了本文建议的文件路径，你需要在.prototxt文件中调整相关路径。
如果你认真看了models/bvlc_reference_caffenet/train_val.prototxt，你会注意到几个指定phase: TRAIN或phase: TEST的include部分。这部分允许我们在一个文件中定义两个非常相关的网络：一个网络用于训练，另一个网络用于测试。这两个网络几乎是相同的，分享所有的层，除了那些标记为include { phase: TRAIN } 或 include { phase: TEST }的层。在这种情况下，只有输入层和一个输出层是不同的。
输入层的不同：训练网络数据的输入层从examples/imagenet/ilsvrc12_train_leveldb中提取数据，随机的映射到输入图像。测试网络的数据层从examples/imagenet/ilsvrc12_val_leveldb中获得数据，不执行随机映射。
输出层的不同：两个网络都输出softmax_loss层，它在训练网络中用于计算损失函数，并初始化反向传播算法，而在验证过程只是简单的报告这个损失。测试网络还有第二个输出层，accuracy，它用于报告测试集的准确度。在训练过程，测试网络偶尔在测试集上被实例化并测试，产生代码行如Test score #0: xxx 和 Test score #1: xxx。在这里score0是准确度（对于未训练的网络将从1/开始），score1是损失（对于未训练的网络将从7附近开始）。
我们也将设计一个协议缓存用于运行求解。让我们做几个计划：
我们将以256个为一组，运行总共450000次迭代（大约90个最大训练次数）。
每1000次迭代，我们使用验证数据测试学习网络。
我们设置初始学习速率为0.01，每100000次迭代后减小它（大概20个最大训练次数）。
每20个迭代显示一次信息。
这个训练网络的动量为0.9，权重衰减为0.0005.
每10000次迭代，我们会简要说明当前状态。
听起来不错吧？这是在models/bvlc_reference_caffenet/solver.prototxt.中完成的。
训练ImageNet
准备好了吗？我们开始训练。
./build/tools/caffe train --solver=models/bvlc_reference_caffenet/solver.prototxt
<div class="crayon-num" data-line="crayon-5b2ec
./build/tools/caffe train --solver=models/bvlc_reference_caffenet/solver.prototxt
在一个K40机器上，每20次迭代大概需要运行26.5秒（在K20上为36秒），所以实际上每幅图像完成完全前后向移动采集数据为5.2ms。大概2ms向前，其余时间向后。如果你对仔细分析计算时间感兴趣，你可以运行
./build/tools/caffe time --model=models/bvlc_reference_caffenet/train_val.prototxt
./build/tools/caffe time --model=models/bvlc_reference_caffenet/train_val.prototxt
继续训练？
我们都经历过停电，或者我们想要稍微奖励自己一下，玩一会儿Battlefield（还有人记得Quake吗？）。因为我们在训练时截取中间结果，所以我们可以从截图位置继续训练。这可以很容易的完成，像这样：
./build/tools/caffe train --solver=models/bvlc_reference_caffenet/solver.prototxt —
snapshot=models/bvlc_reference_caffenet/caffenet_train_iter_10000.solverstate
./build/tools/caffe train --solver=models/bvlc_reference_caffenet/solver.prototxt —snapshot=models/bvlc_reference_caffenet/caffenet_train_iter_10000.solverstate
其中脚本caffenet_train_iter_10000.solverstate是存储所有所需信息的求解状态简介，可以用来恢复为准确的求解状态（包括参数、动量历史等）。
因为你有了已训练网络，查看怎样使用Python接口。
分类ImageNet：使用C++接口
Caffe，它的内核是用C++写的。可以使用Caffe的C++接口去完成类似上个例子中Python代码展示的图像分类应用。为了查看Caffe C++ API更通用的示例，你应该学习tools/caffe.cpp中的命令行工具caffe的源代码。
文件examples/cpp_classification/classification.cpp给出了简单的C++代码。为了简单起见，这个例子不支持单一样本过采样，也不支持多个独立样本的批处理。这个例子不是试图达到系统吞吐量的最大可能分类，而是特别注意在保持代码可读性的同时避免不必要的劣化。
这个C++示例是在编译Caffe时自动生成。遵循文档说明编译Caffe，在build目录中这个分类示例被生成为examples/classification.bin。
想要使用预先训练的CaffeNet模型分类示例，需要先从“Model Zoo”中下载。使用脚本：
./scripts/download_model_binary.py models/bvlc_reference_caffenet
<div class="crayon-num" data-line="crayon-5b2ec
./scripts/download_model_binary.py models/bvlc_reference_caffenet
ImageNet标签文件（也叫同义词组文件）也是需要的，用于将预测类别映射到类别名：
./data/ilsvrc12/get_ilsvrc_aux.sh
<div class="crayon-num" data-line="crayon-5b2ec
./data/ilsvrc12/get_ilsvrc_aux.sh
使用这些下载的文件，我们可以分类预先准备的猫图像（examples/images/cat.jpg），使用命令：
./build/examples/cpp_classification/classification.bin \
models/bvlc_reference_caffenet/deploy.prototxt \
models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel \
data/ilsvrc12/imagenet_mean.binaryproto \
data/ilsvrc12/synset_words.txt \
examples/images/cat.jpg
<div class="crayon-num" data-line="crayon-5b2ec<div class="crayon-num crayon-striped-num" data-line="crayon-5b2ec<div class="crayon-num" data-line="crayon-5b2ec<div class="crayon-num crayon-striped-num" data-line="crayon-5b2ec<div class="crayon-num" data-line="crayon-5b2ec<div class="crayon-num crayon-striped-num" data-line="crayon-5b2ec
./build/examples/cpp_classification/classification.bin \ models/bvlc_reference_caffenet/deploy.prototxt \ models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel \ data/ilsvrc12/imagenet_mean.binaryproto \ data/ilsvrc12/synset_words.txt \ examples/images/cat.jpg
输出应该是：
---------- Prediction for examples/images/cat.jpg ----------
0.3134 - "n tabby, tabby cat"
0.2380 - "n tiger cat"
0.1235 - "n Egyptian cat"
0.1003 - "n red fox, Vulpes vulpes"
0.0715 - "n lynx, catamount"
<div class="crayon-num" data-line="crayon-5b2ec<div class="crayon-num crayon-striped-num" data-line="crayon-5b2ec<div class="crayon-num" data-line="crayon-5b2ec<div class="crayon-num crayon-striped-num" data-line="crayon-5b2ec<div class="crayon-num" data-line="crayon-5b2ec<div class="crayon-num crayon-striped-num" data-line="crayon-5b2ec<div class="crayon-num" data-line="crayon-5b2ec<div class="crayon-num crayon-striped-num" data-line="crayon-5b2ec<div class="crayon-num" data-line="crayon-5b2ec<div class="crayon-num crayon-striped-num" data-line="crayon-5b2ec<div class="crayon-num" data-line="crayon-5b2ec
---------- Prediction for examples/images/cat.jpg ----------&0.3134 - "n tabby, tabby cat"&0.2380 - "n tiger cat"&0.1235 - "n Egyptian cat"&0.1003 - "n red fox, Vulpes vulpes"&0.0715 - "n lynx, catamount"
为了进一步提高性能，你需要更多的利用GPU，这里是一些准则：
尽早将数据转移到GPU上，在这里完成所有的预处理操作。
如果你同时分类许多图像，应该使用批处理（许多独立图像在一次运行中被分类）。
使用多线程分类确保GPU被充分利用，不要等待I/O阻塞CPU线程。
资源整理者简介：
学习了，想学习机器学习，但是还知道怎么入门，书上很多一上来就是数学！
按分类快速查找
关于资源导航
伯乐在线资源导航收录优秀的工具资源。内容覆盖开发、设计、产品和管理等IT互联网行业相关的领域。目前已经收录 1440 项工具资源。
关于资源导航
伯乐在线资源导航收录优秀的工具资源。内容覆盖开发、设计、产品和管理等IT互联网行业相关的领域。
新浪微博：
推荐微信号
（加好友请注明来意）
- 好的话题、有启发的回复、值得信赖的圈子
- 分享和发现有价值的内容与观点
- 为IT单身男女服务的征婚传播平台
- 优秀的工具资源导航
- 翻译传播优秀的外文文章
- 国内外的精选博客文章
- UI,网页，交互和用户体验
- 专注iOS技术分享
- 专注Android技术分享
- JavaScript, HTML5, CSS
- 专注Java技术分享
- 专注Python技术分享
& 2018 伯乐在线home&#47;xxx&#47;caffe&#47;是什么意思_百度知道
home&#47;xxx&#47;caffe&#47;是什么意思
我有更好的答案
home英-[h&#601;&#650;m]美-[hom]释义n. 家，住宅；产地；家乡；避难所adj. 国内的，家庭的；有效的vt. 归巢，回家adv. 在家，回家；深入地caffe释义n. （意）咖啡n. (Caffe)人名；(罗)卡费
采纳率：90%
为您推荐：
其他类似问题
&#xe675;换一换
回答问题，赢新手礼包&#xe6b9;
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。& & & & 通过前面的学习，我们已经能够正常训练各种数据了。设置好solver.prototxt后，我们可以把训练好的模型保存起来，如lenet_iter_10000.caffemodel。 训练多少次就自动保存一下，这个是通过snapshot进行设置的，保存文件的路径及文件名前缀是由snapshot_prefix来设定的。这个文件里面存放的就是各层的参数，即net.params，里面没有数据(net.blobs)。顺带还生成了一个相应的solverstate文件，这个和caffemodel差不多，但它多了一些数据，如模型名称、当前迭代次数等。两者的功能不一样，训练完后保存起来的caffemodel，是在测试阶段用来分类的，而solverstate是用来恢复训练的，防止意外终止而保存的快照（有点像断点续传的感觉)。
既然我们知道了caffemodel里面保存的就是模型各层的参数，因此我们可以把这些参数提取出来，进行可视化，看一看究竟长什么样。
我们先训练cifar10数据（mnist也可以），迭代10000次，然后将训练好的 model保存起来，名称为my_iter_10000.caffemodel，然后使用jupyter notebook 来进行可视化。
在此顺便问一下各位大牛：如何在cnblogs中，发表jupyter notebook生成的文章？
&　　　　　　首先，导入必要的库
import numpy as np
import matplotlib.pyplot as plt
import os,sys,caffe
%matplotlib inline
caffe_root='/home/lee/caffe/'
os.chdir(caffe_root)
sys.path.insert(0,caffe_root+'python')
plt.rcParams['figure.figsize'] = (8, 8)
plt.rcParams['image.interpolation'] = 'nearest'
plt.rcParams['image.cmap'] = 'gray'
&　　　　　　设置网络模型，并显示该模型中各层名称和参数的规模（注意此处是net.params, 而不是net.blobs)
net = caffe.Net(caffe_root + 'examples/cifar10/cifar10_full.prototxt',
caffe_root + 'examples/cifar10/my_iter_10000.caffemodel',
caffe.TEST)
[(k, v[0].data.shape) for k, v in net.params.items()]
[('conv1', (32, 3, 5, 5)),
('conv2', (32, 32, 5, 5)),
('conv3', (64, 32, 5, 5)),
('ip1', (10, 1024))]
&　　　　　　　　cifar10训练的模型配置在文件cifar10_full.prototxt里面，共有三个卷积层和一个全连接层，参数规模如上所示。
#编写一个函数，用于显示各层的参数def show_feature(data, padsize=1, padval=0):
data -= data.min()
data /= data.max()
# force the number of filters to be 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.imshow(data)
plt.axis('off')
# 第一个卷积层，参数规模为(32,3,5,5)，即32个5*5的3通道filter
weight = net.params["conv1"][0].data
print weight.shape
show_feature(weight.transpose(0, 2, 3, 1))
(32, 3, 5, 5)参数有两种类型：权值参数和偏置项。分别用params["conv1"][0] 和params["conv1"][1] 表示 。我们只显示权值参数，因此用params["conv1"][0]&
# 第二个卷积层的权值参数，共有32*32个filter,每个filter大小为5*5
weight = net.params["conv2"][0].data
print weight.shape
show_feature(weight.reshape(32**2, 5, 5))
(32, 32, 5, 5)
# 第三个卷积层的权值，共有64*32个filter,每个filter大小为5*5，取其前1024个进行可视化
weight = net.params["conv3"][0].data print weight.shape show_feature(weight.reshape(64*32, 5, 5)[:1024])
(64, 32, 5, 5)
阅读(...) 评论()}