caffe学习笔记——数据可视化

运用anaconda中的Spyder编译器，实现以下功能：

（1）将caffe的根目录作为当前目录，然后加载caffe程序自带的小猫图片，并显示。在命令行窗口输入如下代码：

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
import caffe
caffe_root='D:/caffe/caffe-master/caffe-master/'
import os,sys
os.chdir(caffe_root)
sys.path.insert(0,caffe_root+'python')
im = caffe.io.load_image('examples/images/cat.jpg')
print im.shape
plt.imshow(im)
plt.axis('off')

得到结果：

（2）打开examples/net_surgery/conv.prototxt文件，修改两个地方
将input_shape由原来的是（1，1，100，100）修改为(1,3,100,100),即由单通道灰度图变为三通道彩色图。

       显示的时候要注意各维的顺序，如blobs的顺序是(1,3,360,480),从前往后分别表示1张图片，3三个通道，图片大小为360x480，需要调用transpose改变为(360,480,3)才能正常显示。其中用data[0]表示第一张图片，下标从0开始，此例只有一张图片，因此只能是data[0]。分别用data[0,0],data[0,1]和data[0,2]表示该图片的三个通道。

在命令行输入：

net = caffe.Net('D:/caffe/caffe-master/caffe-master/examples/net_surgery/conv.prototxt', caffe.TEST)
im_input=im[np.newaxis,:,:,:].transpose(0,3,1,2)
print "data-blobs:",im_input.shape
net.blobs['data'].reshape(*im_input.shape)
net.blobs['data'].data[...] = im_input
plt.imshow(net.blobs['data'].data[0].transpose(1,2,0))
plt.axis('off')

得到结果如下：

（3）如下所示为一个显示数据show_data函数：

plt.rcParams['image.cmap'] = 'gray'

def show_data(data,head,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.figure()
    plt.title(head)
    plt.imshow(data)
    plt.axis('off')

调用该函数，从blobs数据中将原始图片提取出来，并分别显示不同的通道图：

 print "data-blobs:",net.blobs['data'].data.shape
 show_data(net.blobs['data'].data[0],'origin images')

（4）调用forward()执行卷积操作，blobs数据发生改变。由原来的(1,3,360,480)变为（1，16，356，476）。
并初始化生成了相应的权值，权值数据为(16,3,5,5)。

最后调用两次show_data来分别显示权值和卷积过滤后的16通道图片。

 net.forward()
print "data-blobs:",net.blobs['data'].data.shape
print "conv-blobs:",net.blobs['conv'].data.shape
print "weight-blobs:",net.params['conv'][0].data.shape
show_data(net.params['conv'][0].data[:,0],'conv weights(filter)')
show_data(net.blobs['conv'].data[0],'post-conv images')

得到结果如下：