使用caffe提取网络某一层的图像特征

提取特征

extract_features pretrained_net_param feature_extraction_proto_file extract_feature_blob_name1[,name2,…] save_feature_dataset_name1[,name2,…] num_mini_batches db_type [CPU/GPU] [DEVICE_ID=0]

参数：
1.extract_features：为可执行文件
2.pretrained_net_param：表示网络模型参数，保存了，事先训练好的网络参数，具体的文件是bvlc_reference_caffenet.caffemodel。
3.feature_extraction_proto_file,网络配置原型，imagenet_val.prototxt文件
4.extract_feature_blob_name1：表示特定层的特征，比如fc7,conv5,pool5,这个需要和imagenet_val.prototxt文件里面定义的一致。
5.save_feature_dataset_name1 ：表示需要存储提取到的特征目录，这个目录需要不存在，由程序自动创建。
6.num_mini_batches：为批处理个数，这个乘以imagenet_val.prototxt里面配置的batch_size得到的就是总共需要提取的图片的个数。参看上图。
7.db_type：表示提取到的特征按着什么方式存储，目前由两种方式，lmdb和leveldb，但是我使用leveldb无法提取特征，不知道怎么回事。
8.GPU/CPU,默认是使用CPU提取特征（较慢），后面可以指定GPU,以及具体的GPU个数。

例如：在caffe根目录下进行
./build/tools/extract_features.bin /home/htt/PoseNet_caffemodle/weights_kingscollege.caffemodel /home/htt/PoseNet_caffemodle/train_kingscollege.prototxt icp9_out /home/htt/workspace/result/snet_data/features 340 lmdb
注：生成特种文件的文件夹是系统自动生成/home/htt/workspace/result/snet_data/features，既我们只创建snet_data文件夹

会生成两个数据文件data.lmdb和lock.mdb

读取和转换
import lmdb
from caffe.proto import caffe_pb2
import caffe
import numpy as np

fea_lmdb = lmdb.open("/home/htt/caffe-posenet-master/examples/temp/features")
txn = fea_lmdb.begin()

with fea_lmdb.begin() as txn:
cursor=txn.cursor()
for key,value in cursor:
print ‘key:’,key
datum = caffe.proto.caffe_pb2.Datum()
datum.ParseFromString(value)
flat_x = np.fromstring(datum.data, dtype=np.uint8)
print flat_x

fea_lmdb.close()