上一篇部落格中介紹瞭如何使用MATLAB訓練和測試資料，這篇部落格介紹如何從訓練好的模型中提取影象特徵，並介紹把卷積層特徵視覺化方法。
之前提取特徵都是用python，儘管用python提取特徵很方便，但是感覺MATLAB提取特徵更方便，因為博主對MATLAB比較熟悉，對python不太熟悉，，，，，，視覺化部分我參考了http://www.2cto.com/kf/201609/550879.html，特徵提取是我自己總結的，這個部落格裡還介紹了權重的視覺化，大家自己去拜讀一下吧。
開始train（最近部落格稽核的好慢啊）

1、提取特徵
當把影象資料forward之後，所有的資料都存在了blob當中，所以只需要從blob當中把資料提取出來即可，

names=net.blob_names; %網路每一層的名字
featuremap=net.blobs(names{mapnum}).get_data();%獲取指定層的特徵圖，mapnum需要自己指定，既哪一層

把names輸出得到結果

這是每一層的名字，featuremap=net.blobs(names{mapnum}).get_data();featuremap就是指定層的特徵圖，計算一個featuremap的大小，發現這是一個4維資料：

[m_size,n_size,num,crop]=size(featuremap) %獲取特徵圖大小，長*寬*卷積核個數*通
 
道數
通道數就是上一篇部落格裡介紹的crop之後的10張圖。m_size,n_size,num,crop分別代表feature map的長，寬，卷積核個數和通道數。

如果我們想要提取其中一張crop圖的某一個featuremap，怎麼辦呢？
只需要 feature_map=featuremap(:,:,哪一個featuremap,哪一個crop)。這樣就能完成特徵提取，最後我會把特徵提取的函式程式碼放在最後。
我們用Alexnet最常用的就是4096，那麼怎麼提取4096的特徵呢，只需要：

featuremap=net.blobs(names{13}).get_data();%13層就是fc7層
 

結果如下:

一共有4096*10維的特徵，其中10就是10張crop圖，求平均或者max，或者只需要拿出一個4096就能得到4096維的特徵。是不是挺簡單的？

下面就是把特徵圖可視化出來，最後我會把視覺化程式碼貼上去，這裡視覺化分為兩部分，一個是部分視覺化，指定哪一層，哪一個crop圖視覺化。第二個是全部視覺化，只需要指定哪一層，把所有的featuremap可視化出來，效果圖（指定第二層，第一張crop圖，既卷積層的第一個crop的96個featuremap）：

全部視覺化效果:

知道為什麼是960個featuremap嗎？對，因為是96*10,96是卷積核數量，10是10個crop圖，所以是960個featuremap。
程式碼如下：

function [  ] = feature_partvisual( net,mapnum,crop_num )  %三個引數分別代表網路結構，第幾層特徵圖，第幾張crop_num，部分視覺化
names=net.blob_names;
featuremap=net.blobs(names{mapnum}).get_data();%獲取指定層的特徵圖
[m_size,n_size,num,crop]=size(featuremap); %獲取特徵圖大小，長*寬*卷積核個數*通道數
featuremap(:,:,1,crop_num);     %第多少個卷積核，第幾個crop_num的特徵
row=ceil(sqrt(num));%行數
col=row;%列數
feature_map=zeros(m_size*row,n_size*col);
cout_map=1;
for i=0:row-1
    for j=0:col-1
        if cout_map<=num
            feature_map(i*m_size+1:(i+1)*m_size,j*n_size+1:(j+1)*n_size)=(mapminmax(featuremap(:,:,cout_map,crop_num),0,1)*255)';
            cout_map=cout_map+1;
        end
    end
end
imshow(uint8(feature_map));
str=strcat('feature map num:',num2str(cout_map-1));
title(str)
end

全部視覺化：

function [  ] = feature_fullvisual( net,mapnum )
names=net.blob_names;
featuremap=net.blobs(names{mapnum}).get_data();%獲取指定層的特徵圖
[m_size,n_size,num,crop]=size(featuremap)  %獲取特徵圖大小，長*寬*卷積核個數*圖片個數
row=crop;%行數
col=num;%列數
feature_map=zeros(m_size*row,n_size*col);
for i=0:row-1
    for j=0:col-1
        feature_map(i*m_size+1:(i+1)*m_size,j*n_size+1:(j+1)*n_size)=(mapminmax(featuremap(:,:,j+1,i+1),0,1)*255)';
    end
end
figure
imshow(uint8(feature_map))
str=strcat('feature map num:',num2str(row*col));
title(str)
end

主測試函式（包括了類別測試的程式碼）

clear;
clc;
addpath ../../../../matlab
net = init_net();                      %初始化網路
%im_data = caffe.io.load_image('test0020.jpg');
im_data=imread('test0001.jpg');         %讀入影象
%imshow(im_data);
input_data = {prepare_image(im_data)};  %準備資料，需要裁剪時裁剪資料

%不裁剪時使用reshape操作
%  net.blobs('data').reshape([227 227 3 1]); % 當讀進來一幅影象，不做裁剪操作時，這樣使用
%  net.reshape();

tic
res = net.forward(input_data);    %前向傳播結果
mapnum=2;     %第幾層
crop_num=1;   %第幾張crop_num
feature_partvisual( net,mapnum, crop_num ); %視覺化部分feature map
feature_fullvisual(net,mapnum);             %視覺化全部的feature map

res=res{1};
res = mean(res, 2);  % take average scores over 10 crops  求裁剪的10個batch平均值
toc

[~, idx]= max(res);  %找到最大的一個概率值
disp(idx-1);         %輸出類別標籤
caffe.reset_all();  %關閉所有的網路