caffe的python接口caffemodel指标及特征抽取实例丨本际云推荐

caffe的python接口caffemodel指标及特征抽取实例

作为本际云服务器推荐网的小编小本本，今天给大家分享一篇关于caffe的python接口caffemodel指标及特征抽取的实例。希望对那些对此领域感兴趣的研究人员有所帮助。

caffe的python接口caffemodel指标及特征抽取实例

特征抽取代码实现

接下来，我们将分步骤介绍如何实现特征抽取。如果我们使用公式计算y=f(wx+b)来描述全部计算全过程，那么w和b就是我们必须锻炼的物品，w称之为权重值，在cnn之中能够称为池化层（filter），b是偏置项。f是激活函数，有sigmoid、relu等。x便是键入数据信息。算法训练结束后，储存的caffemodel里边，实际上是每层的w和b值。

首先，我们需要载入模型和网络：

deploy=root+'mnist/deploy.prototxt' #deploy文件 caffe_model=root+'mnist/lenet_iter_9380.caffemodel' #训练好的caffemodel net=caffe.Net(deploy,caffe_model,caffe.TEST) #加载model和network

接下来，我们将储存的每层变量值（w和b）和数据值存储到net的params和blobs属性中。其中，params用于储存每层的变量值（w和b）：

[(k,v[0].data)for k,v in net.params.items()]

该代码可以检查每层的变量值，其中k表示层名称，而v[0].data表示每层的W值，而v[1].data是每层的b值。需要留意的是，并非所有的层都是有指标，唯有卷积层和池化层才会。

接下来，我们可以通过指定层名称来获取特定层的参数w和b。例如，如果我们想要第一位卷积层的W值和b值，可以键入以下代码：

w1=net.params['Convolution1'][0].data b1=net.params['Convolution1'][1].data

如果我们不需要具体数值，而是只想看一下shape，可以使用以下指令调用net.forward()获取每层数据：

net.forward()

假定我们都知道在其中第一位卷积层名字叫Convolution1，则我们能获取这一层指标：

[(k,v.data.shape)for k,v in net.blobs.items()]

顺便提一下，blobs属性是用于储存每层的数据值。同样，只要知道某个层的名称，就可以抽取这个层的特征，比如抽取第一个全连接层的特征：

fea=net.blobs['InnerProduct1'].data

最后，让我们总结一下特征抽取代码：

import caffe import numpy as np root='/home/xxx/' #根目录 deploy=root+'mnist/deploy.prototxt' #deploy文件 caffe_model=root+'mnist/lenet_iter_9380.caffemodel' #训练好的caffemodel net=caffe.Net(deploy,caffe_model,caffe.TEST) #加载model和network [(k,v[0].data.shape)for k,v in net.params.items()] #查看各层参数规模 w1=net.params['Convolution1'][0].data #提取参数w b1=net.params['Convolution1'][1].data #提取参数b net.forward() #运行测试 [(k,v.data.shape)for k,v in net.blobs.items()] #查看各层数据规模 fea=net.blobs['InnerProduct1'].data #提取某层数据（特征）

这就是我们今天要介绍的内容。希望能对大家有所帮助。祝愿大家多多的发展，尽早涨薪！

原创文章，作者：小编小本本，如若转载，请注明出处：https://www.benjiyun.com/yunzhujiyunwei/vps-yunwei/6879.html