. 配置python
安裝的python需要是 Anaconda2,啟動命令行執行如下安裝。
1.1.安裝 jupyter
pip install jupyter
1.2.安裝ipython ipython
-
notebook
conda install ipython ipython-notebook
conda install python-matplotlib python-scipy python-pandas python-sympy python-nose
安裝完成后執行
jupyter notebook
1.3 重新編譯 pycaffe 庫,把編譯好的 build\x64\Release\pycaffe\caffe 拷貝到 C:\Anaconda2\Lib\site-packages即可,執行如下語句測試安裝是否通過
python import caffe
2. 運行caffe的python版並可視化
2.1 獲取CaffeNet網絡並儲存到models/bvlc_reference_caffenet目錄下
cd caffe_windows python ./scripts/download_model_binary.py models/bvlc_reference_caffenet
2.2 啟動ipython
cd ./python
ipython notebook
若啟動成功的話,將會彈出如下的窗口:
隨后單機“New” -> 選擇 “Python2”
會彈出如下所示的新建tab頁:
在輸入框中輸入如下python腳本:
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/' #為何設置為具體路徑反而不能運行呢 import sys sys.path.insert(0, caffe_root + 'python') import caffe #把 ipython 的路徑改到指定的地方(這里是說剛開始在終端輸入ipython notebook命令時,一定要確保是在包含caffe的python文件夾,這就是上面代碼(×)),以便可以調入 caffe 模塊,如果不改路徑,import 這個指令只會在當前目錄查找,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 #設置網絡為測試階段,並加載網絡模型prototxt和數據平均值mean_npy caffe.set_mode_cpu()# 采用CPU運算 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,因為參考模型本來頻道是 BGR,所以要將RGB轉換 # set net to batch size of 50 net.blobs['data'].reshape(50,3,227,227) #加載測試圖片,並預測分類結果。 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])) #plt.show() # load labels,加載標簽,並輸出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.sh labels = 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] # CPU 與 GPU 比較運算時間 # CPU mode net.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() #****提取特征並可視化**** # for each layer, show the output shape for layer_name, blob in net.blobs.iteritems(): print layer_name + '\t' + str(blob.data.shape) #網絡的特征存儲在net.blobs,參數和bias存儲在net.params,以下代碼輸出每一層的名稱和大小。這里亦可手動把它們存儲下來。 [(k, v.data.shape) for k, v in net.blobs.items()] #顯示出各層的參數和形狀,第一個是批次,第二個 feature map 數目,第三和第四是每個神經元中圖片的長和寬,可以看出,輸入是 227*227 的圖片,三個頻道,卷積是 32 個卷積核卷三個頻道,因此有 96 個 feature map [(k, v[0].data.shape) for k, v in net.params.items()] #輸出:一些網絡的參數 #**可視化的輔助函數** # take an array of shape (n, height, width) or (n, height, width, channels)用一個格式是(數量,高,寬)或(數量,高,寬,頻道)的陣列 # and visualize each (height, width) thing in a grid of size approx. sqrt(n) by sqrt(n)每個可視化的都是在一個由一個個網格組成 def vis_square(data, padsize=1, padval=0): data -= data.min() data /= data.max() # force the number of filters to be square 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:]) plt.imshow(data) #根據每一層的名稱,選擇需要可視化的層,可以可視化filter(參數)和output(特征) # the parameters are a list of [weights, biases],各層的特征,第一個卷積層,共96個過濾器 filters = net.params['conv1'][0].data vis_square(filters.transpose(0, 2, 3, 1)) #使用 ipt.show()觀看圖像 plt.show() #顯示特征 filters_b = net.params['conv1'][1].data print filters_b #過濾后的輸出,96 張 featuremap feat = net.blobs['conv1'].data[4, :96] vis_square(feat, padval=1) #使用 ipt.show()觀看圖像: plt.show() #顯示特征 filters_b = net.params['conv1'][1].data print filters_b feat = net.blobs['conv1'].data[0, :36] vis_square(feat, padval=1) #第二個卷積層:有 128 個濾波器,每個尺寸為 5X5X48。我們只顯示前面 48 個濾波器,每一個濾波器為一行。輸入: filters = net.params['conv2'][0].data vis_square(filters[:48].reshape(48**2, 5, 5)) #使用 ipt.show()觀看圖像: plt.show() #顯示特征 filters_b = net.params['conv2'][1].data print filters_b #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()觀看圖像 plt.show() #顯示特征 filters_b = net.params['conv2'][1].data print filters_b feat = net.blobs['conv2'].data[0, :36] vis_square(feat, padval=1) #第三個卷積層:全部 384 個 feature map,輸入: feat = net.blobs['conv3'].data[4] vis_square(feat, padval=0.5) #使用 ipt.show()觀看圖像: plt.show() #第四個卷積層:全部 384 個 feature map,輸入: feat = net.blobs['conv4'].data[4] vis_square(feat, padval=0.5) #使用 ipt.show()觀看圖像: plt.show() #第五個卷積層:全部 256 個 feature map,輸入: feat = net.blobs['conv5'].data[4] vis_square(feat, padval=0.5) #使用 ipt.show()觀看圖像: plt.show() #第五個 pooling 層:我們也可以觀察 pooling 層,輸入: feat = net.blobs['pool5'].data[4] vis_square(feat, padval=1) #使用 ipt.show()觀看圖像: plt.show() #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, fmt='%s') # 將特征存儲到本文文件中 #然后我們看看第六層(第一個全連接層)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()觀看圖像: plt.show() #第七層(第二個全連接層)輸出后的直方分布:可以看出值的分布沒有這么平均了。 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()觀看圖像: plt.show() #The final probability output, prob feat = net.blobs['prob'].data[0] plt.plot(feat.flat) #最后看看標簽: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.sh labels = 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]
隨后點擊如下按鈕執行腳本: