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 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.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)

  阅读更多