Caffe学习系列(14):初识数据可视化
2016-01-01 17:30
615 查看
转载自:http://www.cnblogs.com/denny402/p/5092075.html#top
首先将caffe的根目录作为当前目录,然后加载caffe程序自带的小猫图片,并显示。
图片大小为360x480,三通道
In [1]:
Out[1]:
打开examples/net_surgery/conv.prototxt文件,修改两个地方
一是将input_shape由原来的是(1,1,100,100)修改为(1,3,100,100),即由单通道灰度图变为三通道角色图。
二是将过滤器个数(num_output)修改为16,当然保持原来的数不变也行。
其它地方不变,修改后的prototxt如下:只有一个卷积层
In [2]:
加载单一卷积层为训练网络,并将输入的原始图片数据变为blob数据。
根据加载的配置文件,在这里,我们也可以反过来从blob中提取出原始数据,并进行显示。
显示的时候要注意各维的顺序,如blobs的顺序是(1,3,360,480),从前往后分别表示1张图片,3三个通道,
图片大小为360x480,需要调用transpose改变为(360,480,3)才能正常显示。
其中用data[0]表示第一张图片,下标从0开始,此例只有一张图片,因此只能是data[0].
分别用data[0,0],data[0,1]和data[0,3]表示该图片的三个通道。
In [3]:
Out[3]:
编写一个show_data函数来显示数据
In [4]:
从blobs数据中将原始图片提取出来,并分别显示不同的通道图
In [5]:
调用forward()执行卷积操作,blobs数据发生改变。由原来的(1,3,360,480)变为(1,16,356,476)。
并初始化生成了相应的权值,权值数据为(16,3,5,5)。
最后调用两次show_data来分别显示权值和卷积过滤后的16通道图片。
In [6]:
In [ ]:
首先将caffe的根目录作为当前目录,然后加载caffe程序自带的小猫图片,并显示。
图片大小为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)
打开examples/net_surgery/conv.prototxt文件,修改两个地方
一是将input_shape由原来的是(1,1,100,100)修改为(1,3,100,100),即由单通道灰度图变为三通道角色图。
二是将过滤器个数(num_output)修改为16,当然保持原来的数不变也行。
其它地方不变,修改后的prototxt如下:只有一个卷积层
In [2]:
! cat examples/net_surgery/conv.prototxt
# Simple single-layer network to showcase editing model parameters. name: "convolution" input: "data" input_shape { dim: 1 dim: 3 dim: 100 dim: 100 } layer { name: "conv" type: "Convolution" bottom: "data" top: "conv" convolution_param { num_output: 16 kernel_size: 5 stride: 1 weight_filler { type: "gaussian" std: 0.01 } bias_filler { type: "constant" value: 0 } } }
加载单一卷积层为训练网络,并将输入的原始图片数据变为blob数据。
根据加载的配置文件,在这里,我们也可以反过来从blob中提取出原始数据,并进行显示。
显示的时候要注意各维的顺序,如blobs的顺序是(1,3,360,480),从前往后分别表示1张图片,3三个通道,
图片大小为360x480,需要调用transpose改变为(360,480,3)才能正常显示。
其中用data[0]表示第一张图片,下标从0开始,此例只有一张图片,因此只能是data[0].
分别用data[0,0],data[0,1]和data[0,3]表示该图片的三个通道。
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)
编写一个show_data函数来显示数据
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 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.figure() plt.title(head) plt.imshow(data) plt.axis('off')
从blobs数据中将原始图片提取出来,并分别显示不同的通道图
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)
调用forward()执行卷积操作,blobs数据发生改变。由原来的(1,3,360,480)变为(1,16,356,476)。
并初始化生成了相应的权值,权值数据为(16,3,5,5)。
最后调用两次show_data来分别显示权值和卷积过滤后的16通道图片。
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 [ ]:
相关文章推荐
- Caffe学习系列(12):训练和测试自己的图片
- Caffe学习系列(11):图像数据转换成db(leveldb/lmdb)文件
- DataTable/集合 转 Json
- Caffe学习系列(10):命令行解析
- Caffe学习系列(9):运行caffe自带的两个简单例子
- Caffe学习系列(8):solver优化方法
- Caffe学习系列(7):solver及其配置
- Caffe学习系列(6):Blob,Layer and Net以及对应配置文件的编写
- Caffe学习系列(5):其它常用层及参数
- Caffe学习系列(4):激活层(Activiation Layers)及参数
- Caffe学习系列(3):视觉层(Vision Layers)及参数
- Caffe学习系列(2):数据层及参数
- Caffe学习系列(1):安装配置ubuntu14.04+cuda7.5+caffe+cudnn
- caffe windows学习:第一个测试程序
- caffe windows 学习第一步:编译和安装(vs2012+win 64)
- jQuery的Ajax跨域请求的解决方案
- jQuery Easy UI Resizable(调整大小)组件
- inode与软硬链接的关系
- js设置和获取自定义属性
- 理解jquery的$.extend()、$.fn和$.fn.extend()