【Caffe】Blobs数据结构的Python表示
2016-07-29 17:07
162 查看
Blobs数据结构的Python表示
Caffe主要处理两种形式的数据流:1. 图像和标签在网络上的传输,随着网络的传输,它们转化更高层次的表示,最终以得分或者概率值的形式输出。
2. 第二种数据流,主要保存各个网络层的参数,比如卷积层的weights和bias. 这些值是随着的网络的训练过程不断变化的。
这两种数据流虽然说角色不一样,但是都是以blob的形式进行保存和处理的。
下面以手写体LeNet为例:
import os import numpy as np import caffe caffe_root = '/path/your/caffe' os.chdir(caffe_root) solver_prototxt = 'examples/mnist/lenet_solver.prototxt' solver = caffe.SGDSolver(solver_prototxt) net = solver.net
第一种形式的数据流保存在net.blobs中
net.blobs
它是有序字典,保存了每一层对应的数据。每个blob保存了data和gradient:
net.blobs['data'].data.shape # >> (64, 1, 28, 28) net.blobs['data'].diff.shape # >> (64, 1, 28, 28) net.blobs['conv1'].data.shape # >> (64, 20, 24, 24) net.blobs['conv1'].diff.shape # >> (64, 20, 24, 24) net.blobs['ip1'].data.shape # >> (64, 500) net.blobs['ip1'].diff.shape # >> (64, 500)
第二种形式的数据流可以通过net.layers来获得
net.layers
这是一个caffe形式的向量,保存了各层的参数。它的第一层是data layer:
len(net.layers[0].blobs) # >> 0
因为输入层没有权重参数,因此blob的个数是0
它的第二层是卷积层:
len(net.layers[1].blobs) # >> 2 net.layers[1].blobs[0].data.shape # >> (20, 1, 5, 5) conv1 weights net.layers[1].blobs[1].data.shape # >> (20,) bias
表示有20个卷积核,每个卷积核的大小是5*5,处理1-channel的输入图像。
另一种获得各层参数的方式就是net.params
print net.params['conv1'][0].data.shape # (20, 1, 5, 5) conv1 weights print net.params['conv1'][1].data.shape # (20,) bias
这种方式更直观。
相关文章推荐
- Python动态类型的学习---引用的理解
- Python3写爬虫(四)多线程实现数据爬取
- 垃圾邮件过滤器 python简单实现
- 下载并遍历 names.txt 文件,输出长度最长的回文人名。
- install and upgrade scrapy
- Scrapy的架构介绍
- Centos6 编译安装Python
- 使用Python生成Excel格式的图片
- 让Python文件也可以当bat文件运行
- [Python]推算数独
- Python中zip()函数用法举例
- Python中map()函数浅析
- Python将excel导入到mysql中
- Python在CAM软件Genesis2000中的应用
- 使用Shiboken为C++和Qt库创建Python绑定
- FREEBASIC 编译可被python调用的dll函数示例
- Python 七步捉虫法