轉載自：

深度學習（九）caffe預測、特征可視化python接口調用 - hjimce的專欄 - 博客頻道 - CSDN.NET
http://blog.csdn.net/hjimce/article/details/48972877

網上有很多caffe訓練好的模型，有的時候我們僅僅想要方便的調用已經訓練好的模型，利用python進行預測分類測試，查看可視化結果，這個時候，我們可以使用caffe為我們寫好的python接口文件，我們在安裝caffe的時候，有一步：make ?pycaffe。這個便是安裝caffe的python 結果函數，把自己用的代碼記錄一下，以便日后直接復制粘貼使用。感覺使用python就是輕松，如果用caffe的c++接口，挺麻煩的。

下面的使用例子是自己搞利用CNN進行性別預測的python接口調用實例：

[python]?view plaincopy

#?coding=utf-8??

import?os??

import?numpy?as?np??

from?matplotlib?import?pyplot?as?plt??

import?cv2??

import?shutil??

import?time??

??

#因為RGB和BGR需要調換一下才能顯示??

def?showimage(im):??

????if?im.ndim?==?3:??

????????im?=?im[:,?:,?::-1]??

????plt.set_cmap('jet')??

????plt.imshow(im)??

????plt.show()??

??

#特征可視化顯示，padval用于調整亮度??

def?vis_square(data,?padsize=1,?padval=0):??

????data?-=?data.min()??

????data?/=?data.max()??

??

????#因為我們要把某一層的特征圖都顯示到一個figure上，因此需要計算每個圖片占用figure多少比例，以及繪制的位置??

????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:])??

??

????showimage(data)??

??

??

#設置caffe源碼所在的路徑??

caffe_root?=?'../../../caffe/'??

import?sys??

sys.path.insert(0,?caffe_root?+?'python')??

import?caffe??

??

??

??

??

#加載均值文件??

mean_filename='./imagenet_mean.binaryproto'??

proto_data?=?open(mean_filename,?"rb").read()??

a?=?caffe.io.caffe_pb2.BlobProto.FromString(proto_data)??

mean??=?caffe.io.blobproto_to_array(a)[0]??

??

#創建網絡，并加載已經訓練好的模型文件??

gender_net_pretrained='./caffenet_train_iter_1500.caffemodel'??

gender_net_model_file='./deploy_gender.prototxt'??

gender_net?=?caffe.Classifier(gender_net_model_file,?gender_net_pretrained,mean=mean,??

???????????????????????channel_swap=(2,1,0),#RGB通道與BGR??

???????????????????????raw_scale=255,#把圖片歸一化到0~1之間??

???????????????????????image_dims=(256,?256))#設置輸入圖片的大小??

??

??

#預測分類及其可特征視化??

gender_list=['Male','Female']??

input_image?=?caffe.io.load_image('1.jpg')#讀取圖片??

??

prediction_gender=gender_net.predict([input_image])#預測圖片性別??

#打印我們訓練每一層的參數形狀??

print?'params:'??

for?k,?v?in?gender_net.params.items():??

????print?'weight:'??

????print?(k,?v[0].data.shape)#在每一層的參數blob中，caffe用vector存儲了兩個blob變量，用v[0]表示weight??

????print?'b:'??

????print?(k,?v[1].data.shape)#用v[1]表示偏置參數??

#conv1濾波器可視化??

filters?=?gender_net.params['conv1'][0].data??

vis_square(filters.transpose(0,?2,?3,?1))??

#conv2濾波器可視化??

'''''filters?=?gender_net.params['conv2'][0].data?

vis_square(filters[:48].reshape(48**2,?5,?5))'''??

#特征圖??

print?'feature?maps:'??

for?k,?v?in?gender_net.blobs.items():??

????print?(k,?v.data.shape);??

????feat?=?gender_net.blobs[k].data[0,0:4]#顯示名字為k的網絡層,第一張圖片所生成的4張feature?maps??

????vis_square(feat,?padval=1)??

??

??

??

??

??

#顯示原圖片，以及分類預測結果??

str_gender=gender_list[prediction_gender[0].argmax()]??

print?str_gender??

??

plt.imshow(input_image)??

plt.title(str_gender)??

plt.show()??

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的caffe预测、特征可视化python接口调用的全部內容，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。