轉載自http://www.cnblogs.com/denny402/p/5092075.html

在jupyter notebook裡

首先將caffe的根目錄作為當前目錄，然後載入caffe程式自帶的小貓圖片，並顯示。

圖片大小為360x480，三通道

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)

(-0.5, 479.5, 359.5, -0.5)

開啟examples/net_surgery/conv.prototxt檔案，修改兩個地方

一是將input_shape由原來的是（1，1，100，100）修改為(1,3,100,100),即由單通道灰度圖變為三通道彩色圖。

二是將過濾器個數(num_output)由3修改為16，多增加一些filter, 當然保持原來的數不變也行。

其它地方不變，修改後的prototxt如下：只有一個卷積層

! 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
    }
  }
}

將圖片資料載入到blobs，但反過來，我們也可以反過來從blob中提取出原始資料，並進行顯示。

顯示的時候要注意各維的順序，如blobs的順序是(1,3,360,480),從前往後分別表示1張圖片，3三個通道，

圖片大小為360x480，需要呼叫transpose改變為(360,480,3)才能正常顯示。

其中用data[0]表示第一張圖片，下標從0開始，此例只有一張圖片，因此只能是data[0].

分別用data[0,0],data[0,1]和data[0,2]表示該圖片的三個通道。

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)

(-0.5, 479.5, 359.5, -0.5)

編寫一個show_data函式來顯示資料

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')

從blobs資料中將原始圖片提取出來，並分別顯示不同的通道圖

print "data-blobs:",net.blobs['data'].data.shape
show_data(net.blobs['data'].data[0],'origin images')

data-blobs: (1, 3, 360, 480)

呼叫forward()執行卷積操作，blobs資料發生改變。由原來的(1,3,360,480)變為（1，16，356，476）。

並初始化生成了相應的權值，權值資料為(16,3,5,5)。

最後呼叫兩次show_data來分別顯示權值和卷積過濾後的16通道圖片。

net.forward()
print "data-blobs:",net.blobs['data'].data.shape
print "conv-blobs:",net.blobs['conv'].data.shape
print "weight-blobs:",net.params['conv'][0].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)