Caffe学习系列(16)：各层权值参数可视化

原文有更新：

Caffe学习系列(16)：各层权值参数可视化 - denny402 - 博客园
http://www.cnblogs.com/denny402/p/5103425.html

通过前面的学习，我们已经能够正常训练各种model了。我们训练cifar10数据，迭代10000次，然后将训练好的 model保存起来，名称为my_iter_10000.caffemodel，然后使用jupyter notebook 来进行可视化。

首先，导入必要的库 In [1]: import numpy as np import matplotlib.pyplot as plt import os,sys,caffe %matplotlib inline In [2]: caffe_root='/home/lee/caffe/' os.chdir(caffe_root) sys.path.insert(0,caffe_root+'python') In [3]: plt.rcParams['figure.figsize'] = (8, 8) plt.rcParams['image.interpolation'] = 'nearest' plt.rcParams['image.cmap'] = 'gray' 设置网络模型，并显示该模型中各层参数名称和规模 In [4]: net = caffe.Net(caffe_root + 'examples/cifar10/cifar10_full.prototxt',caffe_root + 'examples/cifar10/my_iter_10000.caffemodel',caffe.TEST) [(k, v[0].data.shape) for k, v in net.params.items()] Out[4]: [('conv1', (32, 3, 5, 5)),('conv2', (32, 32, 5, 5)),('conv3', (64, 32, 5, 5)),('ip1', (10, 1024))] cifar10训练的模型配置在文件cifar10_full.prototxt里面，共有三个卷积层和一个全连接层，参数规模如上所示。 In [5]: #编写一个函数，用于显示各层的参数
def show_feature(data, padsize=1, padval=0):data -= data.min()data /= data.max()# force the number of filters to be squaren = 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 imagedata = 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.imshow(data)plt.axis('off') In [6]: # 第一个卷积层，规模为(32,3,5,5) weight = net.params["conv1"][0].data print weight.shape show_feature(weight.transpose(0, 2, 3, 1)) (32, 3, 5, 5)
参数有两种类型：权值参数和偏置项。分别用params["conv1"][0] 和params["conv1"][1] 表示 。
我们只显示权值参数，因此用params["conv1"][0]  In [7]: # 第二个卷积层的权值，共有32*32个filter,每个filter大小为5*5 weight = net.params["conv2"][0].data print weight.shape show_feature(weight.reshape(32**2, 5, 5)) (32, 32, 5, 5) In [8]: # 第三个卷积层的权值，共有64*32个filter,每个filter大小为5*5，取其前1024个进行可视化 weight = net.params["conv3"][0].data print weight.shape show_feature(weight.reshape(64*32, 5, 5)[:1024]) (64, 32, 5, 5)

总结

以上是生活随笔为你收集整理的Caffe学习系列(16)：各层权值参数可视化的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。