CAFFE 引數視覺化
阿新 • • 發佈:2019-02-15
說明 :本文轉自 http://www.cnblogs.com/denny402/p/5103425.html
通過前面的學習,我們已經能夠正常訓練各種資料了。設定好solver.prototxt後,我們可以把訓練好的模型儲存起來,如lenet_iter_10000.caffemodel。 訓練多少次就自動儲存一下,這個是通過snapshot進行設定的,儲存檔案的路徑及檔名字首是由snapshot_prefix來設定的。這個檔案裡面存放的就是各層的引數,即net.params,裡面沒有資料(net.blobs)。順帶還生成了一個相應的solverstate檔案,這個和caffemodel差不多,但它多了一些資料,如模型名稱、當前迭代次數等。兩者的功能不一樣,訓練完後儲存起來的caffemodel,是在測試階段用來分類的,而solverstate是用來恢復訓練的,防止意外終止而儲存的快照(有點像斷點續傳的感覺)。
既然我們知道了caffemodel裡面儲存的就是模型各層的引數,因此我們可以把這些引數提取出來,進行視覺化,看一看究竟長什麼樣。
我們先訓練cifar10資料(mnist也可以),迭代10000次,然後將訓練好的 model儲存起來,名稱為my_iter_10000.caffemodel,然後使用jupyter notebook 來進行視覺化。
在此順便問一下各位大牛:如何在cnblogs中,發表jupyter notebook生成的文章?
首先,匯入必要的庫 In [1]:import numpy as np import matplotlib.pyplot as pltIn [2]:import os,sys,caffe %matplotlib inline
caffe_root='/home/lee/caffe/' os.chdir(caffe_root) sys.path.insert(0,caffe_root+'python')In [3]:
plt.rcParams['figure.figsize'] = (8, 8) plt.rcParams['image.interpolation'] = 'nearest' plt.rcParams['image.cmap'] = 'gray'設定網路模型,並顯示該模型中各層名稱和引數的規模(注意此處是net.params, 而不是net.blobs) In [4]:
netOut[4]:= 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訓練的模型配置在檔案cifar10_full.prototxt裡面,共有三個卷積層和一個全連線層,引數規模如上所示。 In [5]:
#編寫一個函式,用於顯示各層的引數In [6]:
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')
# 第一個卷積層,引數規模為(32,3,5,5),即32個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)In [7]:
引數有兩種型別:權值引數和偏置項。分別用params["conv1"][0] 和params["conv1"][1] 表示 。
我們只顯示權值引數,因此用params["conv1"][0]
# 第二個卷積層的權值引數,共有32*32個filter,每個filter大小為5*5 weight = net.params["conv2"][0].data print weight.shape show_feature(weight.reshape(32**2, 5, 5))
(32, 32, 5, 5)In [8]:
# 第三個卷積層的權值,共有64*32個filter,每個filter大小為5*5,取其前1024個進行視覺化
weight = net.params["conv3"][0].data print weight.shape show_feature(weight.reshape(64*32, 5, 5)[:1024])
(64, 32, 5, 5)