Caffe 学习系列（11）： caffemodel 中的参数及特征的抽取

引言

如果用公式 y = f (wx + b) 来表示整个运算过程的话，那么 w 和 b 就是我们需要训练的东西， w 称为权值， 在 cnn 中也可以叫做卷积核（filter）， b 是偏置项。 f 是激活函数， 有relu、sigmoid 等。 x 就是输入的数据。

在数据训练完成后，保存的 caffemodel 里面实际上就是各层的 w 和 b 的值。

我们运行代码：

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

就把所有的参数和数据都加载到一个 net 变量里面了，但是 net 是一个很复杂的 object，想直接显示出来是不行的。其中

net.params: 保存各层的参数值（w 和 b）     net.blobs: 保存各层的数据值（x）

可用命令：

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

查看各层的参数值，其中 k 表示层的名称， v[0].data 就是各层的 w 值，而 v[1].data 是各层的 b 值。注意：并不是所有的层都有参数，只有卷积层和全连接层才有。

也可以不查看具体的值，只想看 shape，可用命令：

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

假设我们想知道其中一个卷积层的名字叫做 “Convolution1”，则我们可以提取这个层的参数：

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

输入这些代码，实际查看一下，对我们学习 network 非常有帮助。

同理，除了可以查看参数，我们还可以查看数据，但要注意的是，net 里面刚开始是没有数据的，需要运行：

net.forward()

之后才会有数据。我们可以用代码：

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

# 或者

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

来查看各层的数据。注意和上面查看参数的区别。一个是 net.params，一个是 net.blobs。

实际上数据在刚输入的时候，我们叫做图片数据，卷积之后我们就叫特征了。

如果抽取一个全连接层，则可用命令：

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

只要知道某一个层的名称，就可以抽取这个层的特征。

最后，总结上述代码：

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）