caffe 提取特征并可视化（已测试可执行）及在线可视化
網(wǎng)絡(luò)結(jié)構(gòu)在線(xiàn)可視化工具
http://ethereon.github.io/netscope/#/editor
參考主頁(yè)：
caffe 可視化的資料可在百度云盤(pán)下載
鏈接: http://pan.baidu.com/s/1jIRJ6mU
提取密碼：xehi
http://cs.stanford.edu/people/karpathy/cnnembed/
http://lijiancheng0614.github.io/2015/08/21/2015_08_21_CAFFE_Features/
http://nbviewer.ipython.org/github/BVLC/caffe/blob/master/examples/00-classification.ipynb
http://www.cnblogs.com/platero/p/3967208.html
http://caffe.berkeleyvision.org/gathered/examples/feature_extraction.html
http://caffecn.cn/?/question/21
caffe程序是由c++語(yǔ)言寫(xiě)的，本身是不帶數(shù)據(jù)可視化功能的。只能借助其它的庫(kù)或接口，如opencv, python或matlab。使用python接口來(lái)進(jìn)行可視化，因?yàn)閜ython出了個(gè)比較強(qiáng)大的東西：ipython notebook, 最新版本改名叫jupyter notebook，它能將python代碼搬到瀏覽器上去執(zhí)行，以富文本方式顯示，使得整個(gè)工作可以以筆記的形式展現(xiàn)、存儲(chǔ)，對(duì)于交互編程、學(xué)習(xí)非常方便。
使用CAFFE（ http://caffe.berkeleyvision.org ）運(yùn)行CNN網(wǎng)絡(luò)，并提取出特征，將其存儲(chǔ)成lmdb以供后續(xù)使用，亦可以對(duì)其可視化
使用已訓(xùn)練好的模型進(jìn)行圖像分類(lèi)在 http://nbviewer.ipython.org/github/BVLC/caffe/blob/master/example/00-classification.ipynb 中已經(jīng)很詳細(xì)地介紹了怎么使用已訓(xùn)練好的模型對(duì)測(cè)試圖像進(jìn)行分類(lèi)了。由于CAFFE不斷更新，這個(gè)頁(yè)面的內(nèi)容和代碼也會(huì)更新。以下只記錄當(dāng)前能運(yùn)行的主要步驟。下載CAFFE，并安裝相應(yīng)的dependencies，說(shuō)白了就是配置好caffe。
1. 下載CAFFE，并安裝相應(yīng)的dependencies，說(shuō)白了就是配置好caffe運(yùn)行環(huán)境。2. 配置好 python ipython notebook,具體可參考網(wǎng)頁(yè):http://blog.csdn.net/jiandanjinxin/article/details/50409448
3. 在caffe_root下運(yùn)行./scripts/download_model_binary.py models/bvlc_reference_caffenet獲得預(yù)訓(xùn)練的CaffeNet。獲取CaffeNet網(wǎng)絡(luò)并儲(chǔ)存到models/bvlc_reference_caffenet目錄下。
在命令行輸入 ipython notebook,會(huì)出現(xiàn)一下畫(huà)面
python環(huán)境不能單獨(dú)配置，必須要先編譯好caffe，才能編譯python環(huán)境。
安裝jupyter
sudo pip install jupyter安裝成功后，運(yùn)行notebook
jupyter notebook 輸入下面代碼： import numpy as np import matplotlib.pyplot as plt %matplotlib inline# Make sure that caffe is on the python path: caffe_root = '../' # this file is expected to be in {caffe_root}/examples #這里注意路徑一定要設(shè)置正確,記得前后可能都有“/”,路徑的使用是 #{caffe_root}/examples,記得 caffe-root 中的 python 文件夾需要包括 caffe 文件夾。#caffe_root = '/home/bids/caffer-root/' #為何設(shè)置為具體路徑反而不能運(yùn)行呢import sys sys.path.insert(0, caffe_root + 'python') import caffe #把 ipython 的路徑改到指定的地方(這里是說(shuō)剛開(kāi)始在終端輸入ipython notebook命令時(shí)，一定要確保是在包含caffe的python文件夾，這就是上面代碼（×）),以便可以調(diào)入 caffe 模塊,如果不改路徑,import 這個(gè)指令只會(huì)在當(dāng)前目錄查找,是找不到 caffe 的。plt.rcParams['figure.figsize'] = (10, 10) plt.rcParams['image.interpolation'] = 'nearest' plt.rcParams['image.cmap'] = 'gray' #顯示的圖表大小為 10,圖形的插值是以最近為原則,圖像顏色是灰色import os if not os.path.isfile(caffe_root + 'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel'):print("Downloading pre-trained CaffeNet model...")!../scripts/download_model_binary.py ../models/bvlc_reference_caffenet#設(shè)置網(wǎng)絡(luò)為測(cè)試階段，并加載網(wǎng)絡(luò)模型prototxt和數(shù)據(jù)平均值mean_npycaffe.set_mode_cpu()# 采用CPU運(yùn)算 net = caffe.Net(caffe_root + 'models/bvlc_reference_caffenet/deploy.prototxt',caffe_root + 'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel',caffe.TEST)# input preprocessing: 'data' is the name of the input blob == net.inputs[0] transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape}) transformer.set_transpose('data', (2,0,1)) transformer.set_mean('data', np.load(caffe_root + 'python/caffe/imagenet/ilsvrc_2012_mean.npy').mean(1).mean(1)) # mean pixel，ImageNet的均值 transformer.set_raw_scale('data', 255) # the reference model operates on images in [0,255] range instead of [0,1]。參考模型運(yùn)行在【0,255】的灰度,而不是【0,1】transformer.set_channel_swap('data', (2,1,0)) # the reference model has channels in BGR order instead of RGB，因?yàn)閰⒖寄Ｐ捅緛?lái)頻道是 BGR,所以要將RGB轉(zhuǎn)換# set net to batch size of 50 net.blobs['data'].reshape(50,3,227,227)#加載測(cè)試圖片，并預(yù)測(cè)分類(lèi)結(jié)果。net.blobs['data'].data[...] = transformer.preprocess('data', caffe.io.load_image(caffe_root + 'examples/images/cat.jpg')) out = net.forward() print("Predicted class is #{}.".format(out['prob'][0].argmax()))plt.imshow(transformer.deprocess('data', net.blobs['data'].data[0]))# load labels,加載標(biāo)簽，并輸出top_k imagenet_labels_filename = caffe_root + 'data/ilsvrc12/synset_words.txt' try:labels = np.loadtxt(imagenet_labels_filename, str, delimiter='\t') except:!../data/ilsvrc12/get_ilsvrc_aux.shlabels = np.loadtxt(imagenet_labels_filename, str, delimiter='\t') # sort top k predictions from softmax outputtop_k = net.blobs['prob'].data[0].flatten().argsort()[-1:-6:-1] print labels[top_k]# CPU 與 GPU 比較運(yùn)算時(shí)間 # CPU modenet.forward() # call once for allocation %timeit net.forward()# GPU mode caffe.set_device(0) caffe.set_mode_gpu() net.forward() # call once for allocation %timeit net.forward()#****提取特征并可視化****#網(wǎng)絡(luò)的特征存儲(chǔ)在net.blobs，參數(shù)和bias存儲(chǔ)在net.params，以下代碼輸出每一層的名稱(chēng)和大小。這里亦可手動(dòng)把它們存儲(chǔ)下來(lái)。[(k, v.data.shape) for k, v in net.blobs.items()]#顯示出各層的參數(shù)和形狀,第一個(gè)是批次,第二個(gè) feature map 數(shù)目,第三和第四是每個(gè)神經(jīng)元中圖片的長(zhǎng)和寬,可以看出,輸入是 227*227 的圖片,三個(gè)頻道,卷積是 32 個(gè)卷積核卷三個(gè)頻道,因此有 96 個(gè) feature map[(k, v[0].data.shape) for k, v in net.params.items()] #輸出:一些網(wǎng)絡(luò)的參數(shù)#**可視化的輔助函數(shù)** # take an array of shape (n, height, width) or (n, height, width, channels)用一個(gè)格式是(數(shù)量,高,寬)或(數(shù)量,高,寬,頻道)的陣列 # and visualize each (height, width) thing in a grid of size approx. sqrt(n) by sqrt(n)每個(gè)可視化的都是在一個(gè)由一個(gè)個(gè)網(wǎng)格組成def vis_square(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)#根據(jù)每一層的名稱(chēng)，選擇需要可視化的層，可以可視化filter（參數(shù)）和output（特征） # the parameters are a list of [weights, biases],各層的特征，第一個(gè)卷積層，共96個(gè)過(guò)濾器 filters = net.params['conv1'][0].data vis_square(filters.transpose(0, 2, 3, 1)) #使用 ipt.show()觀(guān)看圖像#過(guò)濾后的輸出,96 張 featuremap feat = net.blobs['conv1'].data[4, :96] vis_square(feat, padval=1) #使用 ipt.show()觀(guān)看圖像:feat = net.blobs['conv1'].data[0, :36] vis_square(feat, padval=1)#第二個(gè)卷積層:有 128 個(gè)濾波器,每個(gè)尺寸為 5X5X48。我們只顯示前面 48 個(gè)濾波器,每一個(gè)濾波器為一行。輸入: filters = net.params['conv2'][0].data vis_square(filters[:48].reshape(48**2, 5, 5)) #使用 ipt.show()觀(guān)看圖像:#第二層輸出 256 張 feature,這里顯示 36 張。輸入: feat = net.blobs['conv2'].data[4, :36] vis_square(feat, padval=1) #使用 ipt.show()觀(guān)看圖像feat = net.blobs['conv2'].data[0, :36] vis_square(feat, padval=1)#第三個(gè)卷積層:全部 384 個(gè) feature map,輸入: feat = net.blobs['conv3'].data[4] vis_square(feat, padval=0.5) #使用 ipt.show()觀(guān)看圖像:#第四個(gè)卷積層:全部 384 個(gè) feature map,輸入: feat = net.blobs['conv4'].data[4] vis_square(feat, padval=0.5) #使用 ipt.show()觀(guān)看圖像:#第五個(gè)卷積層:全部 256 個(gè) feature map,輸入: feat = net.blobs['conv5'].data[4] vis_square(feat, padval=0.5) #使用 ipt.show()觀(guān)看圖像:#第五個(gè) pooling 層:我們也可以觀(guān)察 pooling 層,輸入: feat = net.blobs['pool5'].data[4] vis_square(feat, padval=1) #使用 ipt.show()觀(guān)看圖像:#用caffe 的python接口提取和保存特征比較方便。 features = net.blobs['conv5'].data # 提取卷積層 5 的特征 np.savetxt('conv5_feature.txt', features) # 將特征存儲(chǔ)到本文文件中#然后我們看看第六層(第一個(gè)全連接層)輸出后的直方分布: feat = net.blobs['fc6'].data[4] plt.subplot(2, 1, 1) plt.plot(feat.flat) plt.subplot(2, 1, 2) _ = plt.hist(feat.flat[feat.flat > 0], bins=100) #使用 ipt.show()觀(guān)看圖像:#第七層（第二個(gè)全連接層）輸出后的直方分布:可以看出值的分布沒(méi)有這么平均了。 feat = net.blobs['fc7'].data[4] plt.subplot(2, 1, 1) plt.plot(feat.flat) plt.subplot(2, 1, 2) _ = plt.hist(feat.flat[feat.flat > 0], bins=100) #使用 ipt.show()觀(guān)看圖像:#The final probability output, prob feat = net.blobs['prob'].data[0] plt.plot(feat.flat)#最后看看標(biāo)簽:Let's see the top 5 predicted labels. # load labels imagenet_labels_filename = caffe_root + 'data/ilsvrc12/synset_words.txt' try:labels = np.loadtxt(imagenet_labels_filename, str, delimiter='\t') except:!../data/ilsvrc12/get_ilsvrc_aux.shlabels = np.loadtxt(imagenet_labels_filename, str, delimiter='\t')# sort top k predictions from softmax output top_k = net.blobs['prob'].data[0].flatten().argsort()[-1:-6:-1] print labels[top_k]備注：用 caffe 的 python 接口提取和保存特征到text文本下
features = net.blobs['conv5'].data # 提取卷積層 5 的特征 np.savetxt('conv5_feature.txt', features) # 將特征存儲(chǔ)到本文文件中現(xiàn)在Caffe的Matlab接口 (matcaffe3) 和python接口都非常強(qiáng)大, 可以直接提取任意層的feature map以及parameters, 所以本文僅僅作為參考, 更多最新的信息請(qǐng)參考:
http://caffe.berkeleyvision.org/tutorial/interfaces.html
提取特征并儲(chǔ)存
CAFFE提供了一個(gè)提取特征的tool，見(jiàn) http://caffe.berkeleyvision.org/gathered/examples/feature_extraction.html 。
數(shù)據(jù)模型與準(zhǔn)備
安裝好Caffe后，在examples/images文件夾下有兩張示例圖像，本文即在這兩張圖像上，用Caffe提供的預(yù)訓(xùn)練模型，進(jìn)行特征提取，并進(jìn)行可視化。
1. 選擇需要特征提取的圖像
./examples/_temp
(1) 進(jìn)入caffe根目錄(本文中caffe的根目錄都為caffe-root)，創(chuàng)建臨時(shí)文件夾，用于存放所需要的臨時(shí)文件
mkdir examples/_temp(2) 根據(jù)examples/images文件夾中的圖片，創(chuàng)建包含圖像列表的txt文件，并添加標(biāo)簽（0）
find `pwd`/examples/images -type f -exec echo {} \; > examples/_temp/temp.txt sed "s/$/ 0/" examples/_temp/temp.txt > examples/_temp/file_list.txt(3) 執(zhí)行下列腳本，下載imagenet12圖像均值文件，在后面的網(wǎng)絡(luò)結(jié)構(gòu)定義prototxt文件中，需要用到該文件 （data/ilsvrc212/imagenet_mean.binaryproto）.下載模型以及定義prototxt。
sh ./data/ilsvrc12/get_ilsvrc_aux.sh(4) 將網(wǎng)絡(luò)定義prototxt文件復(fù)制到_temp文件夾下
cp examples/feature_extraction/imagenet_val.prototxt examples/_temp使用特征文件進(jìn)行可視化
參考 http://www.cnblogs.com/platero/p/3967208.html 和 lmdb的文檔 https://lmdb.readthedocs.org/en/release ，讀取lmdb文件，然后轉(zhuǎn)換成mat文件，再用matlab調(diào)用mat進(jìn)行可視化。
使用caffe的 extract_features.bin 工具提取出的圖像特征存為lmdb格式， 為了方便觀(guān)察特征，我們將利用下列兩個(gè)python腳本將圖像轉(zhuǎn)化為matlab的.mat格式 （請(qǐng)先安裝caffe的python依賴(lài)庫(kù)）。extract_features.bin的運(yùn)行參數(shù)為
extract_features.bin $MODEL $PROTOTXT $LAYER $LMDB_OUTPUT_PATH $BATCHSIZE上面不是執(zhí)行代碼，只是運(yùn)行參數(shù)，不需要執(zhí)行上式。
下面給出第一個(gè)例子是提取特征并儲(chǔ)存。
（1） 安裝CAFFE的python依賴(lài)庫(kù)，并使用以下兩個(gè)輔助文件把lmdb轉(zhuǎn)換為mat。在caffe 根目錄下創(chuàng)建feat_helper_pb2.py 和lmdb2mat.py，直接copy 下面的python程序即可。
cd caffe-root sudo gedit feat_helper_pb2.py sudo gedit lmdb2mat.py需要添加的內(nèi)容如下
feat_helper_pb2.py：
./lmdb2mat.py
import lmdb import feat_helper_pb2 import numpy as np import scipy.io as sio import timedef main(argv):lmdb_name = sys.argv[1]print "%s" % sys.argv[1]batch_num = int(sys.argv[2]);batch_size = int(sys.argv[3]);window_num = batch_num*batch_size;start = time.time()if 'db' not in locals().keys():db = lmdb.open(lmdb_name)txn= db.begin()cursor = txn.cursor()cursor.iternext()datum = feat_helper_pb2.Datum()keys = []values = []for key, value in enumerate( cursor.iternext_nodup()):keys.append(key)values.append(cursor.value())ft = np.zeros((window_num, int(sys.argv[4])))for im_idx in range(window_num):datum.ParseFromString(values[im_idx])ft[im_idx, :] = datum.float_dataprint 'time 1: %f' %(time.time() - start)sio.savemat(sys.argv[5], {'feats':ft})print 'time 2: %f' %(time.time() - start)print 'done!'if __name__ == '__main__':import sysmain(sys.argv)備注：用 caffe 的 python 接口提取和保存特征到text文本下
features = net.blobs['conv5'].data # 提取卷積層 5 的特征 np.savetxt('conv5_feature.txt', features) # 將特征存儲(chǔ)到本文文件中（2） 在caffe 根目錄下創(chuàng)建腳本文件extract_feature_example1.sh， 并執(zhí)行，將在examples/_temp文件夾下得到lmdb文件（features_conv1）和.mat文件（features_conv1.mat）
下載已經(jīng)生成的模型
sudo gedit ./examples/imagenet/get_caffe_reference_imagenet_model.sh添加編輯內(nèi)容如下：
#!/usr/bin/env sh # This scripts downloads the caffe reference imagenet model # for ilsvrc image classification and deep feature extractionMODEL=caffe_reference_imagenet_model CHECKSUM=bf44bac4a59aa7792b296962fe483f2bif [ -f $MODEL ]; thenecho "Model already exists. Checking md5..."os=`uname -s`if [ "$os" = "Linux" ]; thenchecksum=`md5sum $MODEL | awk '{ print $1 }'`elif [ "$os" = "Darwin" ]; thenchecksum=`cat $MODEL | md5`fiif [ "$checksum" = "$CHECKSUM" ]; thenecho "Model checksum is correct. No need to download."exit 0elseecho "Model checksum is incorrect. Need to download again."fi fiecho "Downloading..."wget --no-check-certificate https://www.dropbox.com/s/n3jups0gr7uj0dv/$MODELecho "Done. Please run this command again to verify that checksum = $CHECKSUM." cd caffe-root sudo gedit extract_feature_example1.sh需要添加的內(nèi)容如下：
#!/usr/bin/env sh # args for EXTRACT_FEATURE TOOL=./build/tools MODEL=./examples/imagenet/caffe_reference_imagenet_model #下載得到的caffe model PROTOTXT=./examples/_temp/imagenet_val.prototxt # 網(wǎng)絡(luò)定義 LAYER=conv1 # 提取層的名字，如提取fc7等 LEVELDB=./examples/_temp/features_conv1 # 保存的leveldb路徑 BATCHSIZE=10# args for LEVELDB to MAT DIM=290400 # 需要手工計(jì)算feature長(zhǎng)度 OUT=./examples/_temp/features_conv1.mat #.mat文件保存路徑 BATCHNUM=1 # 有多少個(gè)batch， 本例只有兩張圖， 所以只有一個(gè)batch$TOOL/extract_features.bin $MODEL $PROTOTXT $LAYER $LEVELDB $BATCHSIZE lmdb python lmdb2mat.py $LEVELDB $BATCHNUM $BATCHSIZE $DIM $OUT執(zhí)行之后，
cd caffe-root sh extract_feature_example1.sh你會(huì)在/examples/_temp/ 下發(fā)現(xiàn)多了兩個(gè)文件：文件夾 features_conv1，文件features_conv1.mat
如果執(zhí)行出現(xiàn)lmdb2mat.py的相關(guān)問(wèn)題，有可能是沒(méi)有安裝lmdb，可在caffe 根目錄下執(zhí)行下面的程式安裝。具體問(wèn)題具體分析。
Lmdb的安裝
特別備注：在執(zhí)行一次 sh extract_feature_example1.sh 之后，在文件夾 _temp里面就會(huì)出現(xiàn)文件夾features_conv1和文件features_conv1.mat。若再次執(zhí)行一次，會(huì)出現(xiàn)報(bào)錯(cuò)，可將文件夾 _temp中的文件夾features_conv1和文件features_conv1.mat 都刪除，即可通過(guò)編譯。
（3）. 參考UFLDL里的display_network函數(shù)，對(duì)mat文件里的特征進(jìn)行可視化。
在/examples/_temp/ 中創(chuàng)建 display_network.m
需要添加的內(nèi)容如下：
display_network.m
（4）在matlab里運(yùn)行以下代碼：
首先要進(jìn)入 /examples/_temp/ 在執(zhí)行下面的matlab程序。
在caffe 根目錄下輸入
在matlab 中輸入下面的命令
nsample = 3;num_output = 96; % conv1 % num_output = 256; % conv5 %num_output = 4096; % fc7load features_conv1.mat width = size(feats, 2); nmap = width / num_output;for i = 1 : nsamplefeat = feats(i, :);feat = reshape(feat, [nmap num_output]);figure('name', sprintf('image #%d', i));display_network(feat); end執(zhí)行之后將會(huì)出現(xiàn)一下結(jié)果：
在python中讀取mat文件
在python中，使用scipy.io.loadmat()即可讀取mat文件，返回一個(gè)dict()。
import scipy.io matfile = 'features_conv1.mat' data = scipy.io.loadmat(matfile)下面給出第二個(gè)例子：
(1) 在caffe 根目錄下創(chuàng)建腳本文件extract_feature_example2.sh， 并執(zhí)行，將在examples/_temp文件夾下得到lmdb文件（features_fc7）和.mat文件（features_fc7.mat）
cd caffe-root sudo gedit extract_feature_example2.sh需要添加的內(nèi)容如下：
#!/usr/bin/env sh # args for EXTRACT_FEATURE TOOL=./build/tools MODEL=./models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel #下載得到的caffe model PROTOTXT=./examples/_temp/imagenet_val.prototxt # 網(wǎng)絡(luò)定義 LAYER=fc7 # 提取層的名字，如提取fc7等 LEVELDB=./examples/_temp/features_fc7 # 保存的leveldb路徑 BATCHSIZE=10# DIM=290400 # feature長(zhǎng)度，conv1 # DIM=43264 # conv5 # args for LEVELDB to MAT DIM=4096 # 需要手工計(jì)算feature長(zhǎng)度 OUT=./examples/_temp/features_fc7.mat #.mat文件保存路徑 BATCHNUM=1 # 有多少個(gè)batch， 本例只有兩張圖， 所以只有一個(gè)batch$TOOL/extract_features.bin $MODEL $PROTOTXT $LAYER $LEVELDB $BATCHSIZE lmdb python lmdb2mat.py $LEVELDB $BATCHNUM $BATCHSIZE $DIM $OUT執(zhí)行之后，
cd caffe-root sh extract_feature_example2.sh執(zhí)行之后，你會(huì)在 examples/_temp/ 下多出一個(gè)文件夾 features-fc7，里面含有data.mdb, lock.mdb 兩個(gè)文件,還會(huì)得到features-fc7.mat，如下圖所示
（2）. 參考UFLDL里的display_network函數(shù)，對(duì)mat文件里的特征進(jìn)行可視化。
在/examples/_temp/ 中創(chuàng)建 display_network.m
（3）在matlab里運(yùn)行以下代碼：
首先要進(jìn)入 /examples/_temp/ 在執(zhí)行下面的matlab程序。
在caffe 根目錄下輸入
在matlab 中輸入下面的命令
nsample = 2; % num_output = 96; % conv1 % num_output = 256; % conv5 num_output = 4096; % fc7load features_fc7.mat width = size(feats, 2); nmap = width / num_output;for i = 1 : nsamplefeat = feats(i, :);feat = reshape(feat, [nmap num_output]);figure('name', sprintf('image #%d', i));display_network(feat); end執(zhí)行之后將會(huì)出現(xiàn)一下結(jié)果：
在python中讀取mat文件
在python中，使用scipy.io.loadmat()即可讀取mat文件，返回一個(gè)dict()。
import scipy.io
matfile = ‘features_fc7.mat’
data = scipy.io.loadmat(matfile)
使用自己的網(wǎng)絡(luò)
只需把前面列出來(lái)的文件與參數(shù)修改成自定義的即可。
使用Model Zoo里的網(wǎng)絡(luò)
根據(jù) https://github.com/BVLC/caffe/wiki/Model-Zoo 的介紹，選擇自己所需的網(wǎng)絡(luò)，并下載到相應(yīng)位置即可。
如VGG-16：
./scripts/download_model_from_gist.sh 211839e770f7b538e2d8 mv ./models/211839e770f7b538e2d8 ./models/VGG_ILSVRC_16_layers ./scripts/download_model_binary.py ./models/VGG_ILSVRC_16_layers總結(jié)
以上是生活随笔為你收集整理的caffe 提取特征并可视化（已测试可执行）及在线可视化的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。
- 上一篇： 花呗当面花有额度不能用？这几个事项要注意
- 下一篇： Deep learning Readin