通過前面的學習，我們已經能夠正常訓練各種資料了。設定好solver.prototxt後，我們可以把訓練好的模型儲存起來，如lenet_iter_10000.caffemodel。 訓練多少次就自動儲存一下，這個是通過snapshot進行設定的，儲存檔案的路徑及檔名字首是由snapshot_prefix來設定的。這個檔案裡面存放的就是各層的引數，即net.params，裡面沒有資料(net.blobs)。順帶還生成了一個相應的solverstate檔案，這個和caffemodel差不多，但它多了一些資料，如模型名稱、當前迭代次數等。兩者的功能不一樣，訓練完後儲存起來的caffemodel，是在測試階段用來分類的，而solverstate是用來恢復訓練的，防止意外終止而儲存的快照（有點像斷點續傳的感覺)。

既然我們知道了caffemodel裡面儲存的就是模型各層的引數，因此我們可以把這些引數提取出來，進行視覺化，看一看究竟長什麼樣。

我們先訓練cifar10資料（mnist也可以），迭代10000次，然後將訓練好的 model儲存起來，名稱為my_iter_10000.caffemodel，然後使用jupyter notebook 來進行視覺化。

在此順便問一下各位大牛：如何在cnblogs中，發表jupyter notebook生成的文章？

 　　　　　　首先，匯入必要的庫 In [1]:

import numpy as np
import matplotlib.pyplot as plt
import
 
 os,sys,caffe
%matplotlib inline

In [2]:

caffe_root='/home/lee/caffe/'
os.chdir(caffe_root)
sys.path.insert(0,caffe_root+'python')

In [3]:

plt.rcParams['figure.figsize'] = (8, 8)
plt.rcParams['image.interpolation'] = 'nearest'
plt.rcParams['image.cmap'] = 'gray'

 　　　　　　設定網路模型，並顯示該模型中各層名稱和引數的規模（注意此處是net.params, 而不是net.blobs) In [4]:

net
 
 = caffe.Net(caffe_root + 'examples/cifar10/cifar10_full.prototxt',
                caffe_root + 'examples/cifar10/my_iter_10000.caffemodel',
                caffe.TEST)
[(k, v[0].data.shape) for k, v in net.params.items()]

Out[4]:

[('conv1', (32, 3, 5, 5)),
 ('conv2', (32, 32, 5, 5)),
 ('conv3', (64, 32, 5, 5)),
 ('ip1', (10, 1024))]

 　　　　　　　　cifar10訓練的模型配置在檔案cifar10_full.prototxt裡面，共有三個卷積層和一個全連線層，引數規模如上所示。 In [5]:

#編寫一個函式，用於顯示各層的引數
def show_feature(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)
    plt.axis('off')

In [6]:

# 第一個卷積層，引數規模為(32,3,5,5)，即32個5*5的3通道filter
weight = net.params["conv1"][0].data
print weight.shape
show_feature(weight.transpose(0, 2, 3, 1))

(32, 3, 5, 5)
引數有兩種型別：權值引數和偏置項。分別用params["conv1"][0] 和params["conv1"][1] 表示 。
我們只顯示權值引數，因此用params["conv1"][0] 

In [7]:

# 第二個卷積層的權值引數，共有32*32個filter,每個filter大小為5*5
weight = net.params["conv2"][0].data
print weight.shape
show_feature(weight.reshape(32**2, 5, 5))

(32, 32, 5, 5)

In [8]:

# 第三個卷積層的權值，共有64*32個filter,每個filter大小為5*5，取其前1024個進行視覺化

 weight = net.params["conv3"][0].data print weight.shape show_feature(weight.reshape(64*32, 5, 5)[:1024])

(64, 32, 5, 5)