轉(zhuǎn)載自：http://www.cnblogs.com/denny402/p/5092075.html#top

首先將caffe的根目錄作為當(dāng)前目錄，然后加載caffe程序自帶的小貓圖片，并顯示。

圖片大小為360x480，三通道

In?[1]: import numpy as np import matplotlib.pyplot as plt %matplotlib inline import caffe caffe_root='/home/xxx/caffe/' 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') (360, 480, 3) Out[1]: (-0.5, 479.5, 359.5, -0.5)

打開examples/net_surgery/conv.prototxt文件，修改兩個地方

一是將input_shape由原來的是（1，1，100，100）修改為(1,3,100,100),即由單通道灰度圖變?yōu)槿ǖ澜巧珗D。

二是將過濾器個數(shù)(num_output)修改為16，當(dāng)然保持原來的數(shù)不變也行。

其它地方不變，修改后的prototxt如下：只有一個卷積層

In?[2]: ! cat examples/net_surgery/conv.prototxt # Simple single-layer network to showcase editing model parameters. name: "convolution" input: "data" input_shape {dim: 1dim: 3dim: 100dim: 100 } layer {name: "conv"type: "Convolution"bottom: "data"top: "conv"convolution_param {num_output: 16kernel_size: 5stride: 1weight_filler {type: "gaussian"std: 0.01}bias_filler {type: "constant"value: 0}} }

加載單一卷積層為訓(xùn)練網(wǎng)絡(luò)，并將輸入的原始圖片數(shù)據(jù)變?yōu)閎lob數(shù)據(jù)。

根據(jù)加載的配置文件，在這里，我們也可以反過來從blob中提取出原始數(shù)據(jù)，并進行顯示。

顯示的時候要注意各維的順序，如blobs的順序是(1,3,360,480),從前往后分別表示1張圖片，3三個通道，

圖片大小為360x480，需要調(diào)用transpose改變?yōu)?360,480,3)才能正常顯示。

其中用data[0]表示第一張圖片，下標(biāo)從0開始，此例只有一張圖片，因此只能是data[0].

分別用data[0,0],data[0,1]和data[0,3]表示該圖片的三個通道。

In?[3]: net = caffe.Net('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') data-blobs: (1, 3, 360, 480) Out[3]: (-0.5, 479.5, 359.5, -0.5)

編寫一個show_data函數(shù)來顯示數(shù)據(jù)

In?[4]: 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 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.figure()plt.title(head)plt.imshow(data)plt.axis('off')

從blobs數(shù)據(jù)中將原始圖片提取出來，并分別顯示不同的通道圖

In?[5]: print "data-blobs:",net.blobs['data'].data.shape show_data(net.blobs['data'].data[0],'origin images') data-blobs: (1, 3, 360, 480)

調(diào)用forward()執(zhí)行卷積操作，blobs數(shù)據(jù)發(fā)生改變。由原來的(1,3,360,480)變?yōu)?#xff08;1，16，356，476）。

并初始化生成了相應(yīng)的權(quán)值，權(quán)值數(shù)據(jù)為(16,3,5,5)。

最后調(diào)用兩次show_data來分別顯示權(quán)值和卷積過濾后的16通道圖片。

In?[6]: net.forward() print "data-blobs:",net.blobs['data'].data.shape print "conv-blobs:",net.blobs['conv'].data.shape print "weight-blobs:",net.params['conv'][0span>].data.shape show_data(net.params['conv'][0].data[:,0],'conv weights(filter)') show_data(net.blobs['conv'].data[0],'post-conv images') data-blobs: (1, 3, 360, 480) conv-blobs: (1, 16, 356, 476) weight-blobs: (16, 3, 5, 5) In?[?]:

總結(jié)

以上是生活随笔為你收集整理的Caffe学习系列(14)：初识数据可视化的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。