原文有更新：

Caffe學習系列(16)：各層權值參數可視化 - denny402 - 博客園
http://www.cnblogs.com/denny402/p/5103425.html

通過前面的學習，我們已經能夠正常訓練各種model了。我們訓練cifar10數據，迭代10000次，然后將訓練好的 model保存起來，名稱為my_iter_10000.caffemodel，然后使用jupyter notebook 來進行可視化。

首先，導入必要的庫 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' 設置網絡模型，并顯示該模型中各層參數名稱和規模 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訓練的模型配置在文件cifar10_full.prototxt里面，共有三個卷積層和一個全連接層，參數規模如上所示。 In?[5]: #編寫一個函數，用于顯示各層的參數
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]: # 第一個卷積層，規模為(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)
參數有兩種類型：權值參數和偏置項。分別用params["conv1"][0] 和params["conv1"][1] 表示 。
我們只顯示權值參數，因此用params["conv1"][0]? In?[7]: # 第二個卷積層的權值，共有32*32個filter,每個filter大小為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]: # 第三個卷積層的權值，共有64*32個filter,每個filter大小為5*5，取其前1024個進行可視化 weight = net.params["conv3"][0].data print weight.shape show_feature(weight.reshape(64*32, 5, 5)[:1024]) (64, 32, 5, 5)

總結

以上是生活随笔為你收集整理的Caffe学习系列(16)：各层权值参数可视化的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。