课程设计要拿 Caffe 搞一点事情。这完全就是搞事情嘛！时间辣么短……
需求
最终需求是使用 CaffeNet，将最后的几层给修改掉，做一下 Fine Tuning，然后使用最后一层来做特征提取。
降级的需求
入门嘛…… 先能 “用起来” 再说。
加载 Mnist 数据集训练好的模型，进行一些分类，并拿出来最后一层的数据当作特征。
prototxt 文件
对 lenet_train_test.prototxt 进行了少许修改。
首先，最上面去掉了 mnist 层，改成了下面的形式
name: "LeNet"
input:"data"
input_dim:1
input_dim:1
input_dim:28
input_dim:28
然后，最下面去掉 accuracy、loss 层，改成一个 SoftMax 层：
layer {
name: "answer"
type: "Softmax"
bottom: "ip2"
top: "answer"
}
其余都不动。所以，最终的 prototxt 文件是这样的：
name: "LeNet"
input:"data"
input_dim:1
input_dim:1
input_dim:28
input_dim:28
layer {
name: "conv1"
type: "Convolution"
bottom: "data"
top: "conv1"
param {
lr_mult: 1
}
param {
lr_mult: 2
}
convolution_param {
num_output: 20
kernel_size: 5
stride: 1
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}
layer {
name: "pool1"
type: "Pooling"
bottom: "conv1"
top: "pool1"
pooling_param {
pool: MAX
kernel_size: 2
stride: 2
}
}
layer {
name: "conv2"
type: "Convolution"
bottom: "pool1"
top: "conv2"
param {
lr_mult: 1
}
param {
lr_mult: 2
}
convolution_param {
num_output: 50
kernel_size: 5
stride: 1
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}
layer {
name: "pool2"
type: "Pooling"
bottom: "conv2"
top: "pool2"
pooling_param {
pool: MAX
kernel_size: 2
stride: 2
}
}
layer {
name: "ip1"
type: "InnerProduct"
bottom: "pool2"
top: "ip1"
param {
lr_mult: 1
}
param {
lr_mult: 2
}
inner_product_param {
num_output: 500
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}
layer {
name: "relu1"
type: "ReLU"
bottom: "ip1"
top: "ip1"
}
layer {
name: "ip2"
type: "InnerProduct"
bottom: "ip1"
top: "ip2"
param {
lr_mult: 1
}
param {
lr_mult: 2
}
inner_product_param {
num_output: 10
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}
layer {
name: "answer"
type: "Softmax"
bottom: "ip2"
top: "answer"
}
代码
import sys
import os
# 由于设置关系，Pycharm 里面只好使用这种方式加载 Caffe
caffe_root = "/home/haoyu/ProgramFiles/nlpcaffe"
caffe_root_example = os.path.join(caffe_root, 'examples')
sys.path.insert(0, os.path.join(caffe_root, 'python'))
import caffe
# deploy 文件
file_deploy_proto = os.path.join(caffe_root_example, 'mnist/lenet_train_test_deploy.prototxt')
# 训练好的 caffemodel
file_caffe_model = os.path.join(caffe_root_example, 'mnist/lenet_iter_10000.caffemodel')
# 随便从 Mnist 数据集里面挑一张图片
img = '/home/haoyu/00015.png'
# 加载 model 和 network
net = caffe.Net(file_deploy_proto, file_caffe_model, caffe.TEST)
# 图片预处理设置
# 设定图片的 shape 格式 (1,1,28,28)
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
# 改变维度的顺序，由原始图片 (28,28,1) 变为 (1,28,28)
transformer.set_transpose('data', (2, 0, 1))
# 缩放到 (0,255) 之间
transformer.set_raw_scale('data', 255)
# 使用灰度加载图片
im = caffe.io.load_image(img, color=False)
# 执行上面设置的图片预处理操作，并将图片载入到 blob 中
net.blobs['data'].data[...] = transformer.preprocess('data', im)
# 执行测试
out = net.forward()
# 取出最后一层（Softmax）属于某个类别的概率值
prob = net.blobs['answer'].data[0].flatten()
print(prob)
print('Answer:', prob.argsort()[-1])
# 查看各层数据规模
print([(k, v.data.shape) for k, v in net.blobs.items()])
# 提取某层数据（特征）
feature = net.blobs['ip2'].data
print(feature)
发表回复