caffe的python接口學習（8）：caffemodel中的參數及特徵的抽取

如果用公式  y=f(wx+b)

來表示整個運算過程的話，那麼w和b就是我們需要訓練的東西，w稱爲權值，在cnn中也可以叫做卷積核（filter），b是偏置項。f是激活函數，有sigmoid、relu等。x就是輸入的數據。

數據訓練完成後，保存的caffemodel裏面，實際上就是各層的w和b值。

我們運行代碼：

deploy=root + 'mnist/deploy.prototxt'    #deploy文件
caffe_model=root + 'mnist/lenet_iter_9380.caffemodel'   #訓練好的 caffemodel
net = caffe.Net(net_file,caffe_model,caffe.TEST)   #加載model和network

就把所有的參數和數據都加載到一個net變量裏面了，但是net是一個很複雜的object, 想直接顯示出來看是不行的。其中：

net.params: 保存各層的參數值（w和b)

net.blobs: 保存各層的數據值

可用命令：

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

查看各層的參數值，其中k表示層的名稱，v[0].data就是各層的W值，而v[1].data是各層的b值。注意：並不是所有的層都有參數，只有卷積層和全連接層纔有。

也可以不查看具體值，只想看一下shape,可用命令

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

假設我們知道其中第一個卷積層的名字叫'Convolution1', 則我們可以提取這個層的參數：

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

輸入這些代碼，實際查看一下，對你理解network非常有幫助。

同理，除了查看參數，我們還可以查看數據，但是要注意的是，net裏面剛開始是沒有數據的，需要運行：

net.forward()

之後纔會有數據。我們可以用代碼：

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

或

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

來查看各層的數據。注意和上面查看參數的區別，一個是net.params, 一個是net.blobs.

實際上數據剛輸入的時候，我們叫圖片數據，卷積之後我們就叫特徵了。

如果要抽取第一個全連接層的特徵，則可用命令：

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

只要知道某個層的名稱，就可以抽取這個層的特徵。

推薦大家在spyder中，運行一下上面的所有代碼，深入理解模型各層。

最後，總結一個代碼：

import caffe
import numpy as np
root='/home/xxx/'   #根目錄
deploy=root + 'mnist/deploy.prototxt'    #deploy文件
caffe_model=root + 'mnist/lenet_iter_9380.caffemodel'   #訓練好的 caffemodel
net = caffe.Net(deploy,caffe_model,caffe.TEST)   #加載model和network

[(k,v[0].data.shape) for k,v in net.params.items()]  #查看各層參數規模

w1=net.params['Convolution1'][0].data  #提取參數w
b1=net.params['Convolution1'][1].data  #提取參數b

net.forward()   #運行測試

[(k,v.data.shape) for k,v in net.blobs.items()]  #查看各層數據規模

fea=net.blobs['InnerProduct1'].data   #提取某層數據（特徵）