caffe学习系列：python代码收藏

1.批量修改（重命名）文件名

# -*- coding: cp936 -*-
import os
path = 'D:\\图片\\'
for file in os.listdir(path):
if os.path.isfile(os.path.join(path,file))==True:
if file.find('.')<0:
newname=file+'rsfdjndk.jpg'
os.rename(os.path.join(path,file),os.path.join(path,newname))
print file,'ok'
#        print file.split('.')[-1]

2.c++extract_features.bin提取层特征并保存

extract_features.bin \
pretrained_net_param  feature_extraction_proto_file \
extract_feature_blob_name1[,name2,...]  save_feature_dataset_name1[,name2,...] \
num_mini_batches  db_type  [CPU/GPU] [DEVICE_ID=0]

参数1 extract_features.bin 文件路径；

参数2是模型参数（.caffemodel）文件的路径。

参数3是描述网络结构的prototxt文件。程序会从参数1的caffemodel文件里找对应名称的layer读取参数。

参数4是需要提取的blob名称，对应网络结构prototxt里的名称。blob名称可以有多个，用逗号分隔。每个blob提取出的特征会分开保存。

参数5是保存提取出来的特征的数据库路径，可以有多个，和参数3中一一对应，以逗号分隔。如果用LMDB的话，路径必须是不存在的（已经存在的话要改名或者删除）。

参数6是提取特征所需要执行的batch数量。这个数值和prototxt里DataLayer中的Caffe的DataLayer(或者ImageDataLayer)中的batch_size参数相乘，就是会被输入网络的总样本数。设置参数时需要确保batch_size * num_mini_batches等于需要提取特征的样本总数，否则提取的特征就会不够数或者是多了。（注意：这里的数值是num_mini_batches，而不是样本总数）

参数7是保存特征使用的数据库类型，支持lmdb和leveldb两种(小写)。推荐使用lmdb，因为lmdb的访问速度更快，还支持多进程同时读取。

参数8决定使用GPU还是CPU，直接写对应的三个大写字母就行。省略不写的话默认是CPU。

参数9决定使用哪个GPU，在多GPU的机器上跑的时候需要指定。省略不写的话默认使用0号GPU

3.python批量提取层特征（或进行分类预测）

# -*- coding: utf-8 -*-
import sys
sys.path.append('/home/hsm/project/facialexpress/caffe/python')
import caffe
import numpy as np
import matplotlib.pyplot as plt
import os
import caffe
import pickle
import struct
import cv2
root_path = '/home/hsm/project/facialexpress'
# 运行模型的prototxt
deployPrototxt = root_path +'/convnet1/fe_train_val2.prototxt'
# 相应载入的modelfile
modelFile = root_path +'/convnet1/res_train/_iter_8000.caffemodel'
# meanfile 也可以用自己生成的
meanFile = root_path +'/input/ck+/train_net1/mean.npy'
# 需要提取的图像列表
imageListFile = root_path + '/input/ck+/train_net1/train_1.txt'
imageBasePath = root_path + '/input/ck+'
gpuID = 2
newpostfix = '.fezture_faceimage_ip3'

# 初始化函数的相关操作
def initilize():
print 'initilize ... '
caffe.set_mode_gpu()
caffe.set_device(gpuID)
net = caffe.Net(deployPrototxt, modelFile,caffe.TEST)
return net
# 提取特征并保存为相应地文件
def extractFeature(imageList, net):
# 对输入数据做相应地调整如通道、尺寸等等
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
transformer.set_transpose('data', (2,0,1))
transformer.set_mean('data', np.load(meanFile).mean(1).mean(1)) # mean pixel
transformer.set_raw_scale('data', 255)
#transformer.set_channel_swap('data', (2,1,0))
# set net to batch size of 1 如果图片较多就设置合适的batchsize
net.blobs['data'].reshape(1,1,64,64)      #这里根据需要设定，如果网络中不一致，需要调整
num=0
for imagefile in imageList:
imagefile_abs = os.path.join(imageBasePath, imagefile)
print imagefile_abs
net.blobs['data'].data[...] = transformer.preprocess('data', caffe.io.load_image(imagefile_abs,color=False))
out = net.forward()
fea_file = imagefile_abs.replace('.png',newpostfix)
#os.rename(os.path.join(path,file),os.path.join(path,newname))
num +=1
print 'Num ',num,' extract feature ',fea_file
with  open(fea_file,'wb') as f:
for x in xrange(0, net.blobs['ip3'].data.shape[0]):
for y in xrange(0, net.blobs['ip3'].data.shape[1]):
f.write
4000
(struct.pack('f', net.blobs['ip3'].data[x,y]))

# 读取文件列表
def readImageList(imageListFile):
imageList = []
with open(imageListFile,'r') as fi:
while(True):
line = fi.readline().strip().split()# every line is a image file name
if not line:
break
imageList.append(line[0])
print 'read imageList done image num ', len(imageList)
return imageList

if __name__ == "__main__":
net = initilize()
imageList = readImageList(imageListFile)
extractFeature(imageList, net)

相关函数解释见连接：

http://blog.csdn.net/u011762313/article/details/48342495

http://blog.csdn.net/u010925447/article/details/75805474