Skip to main content
 首页 » 编程设计

python之如何使用 Caffe 框架提取预训练 Alex Net 模型的卷积参数

2025年02月15日8dflying

我正在进行一些优化,以使卷积层和全连接层运行得更快。我需要预训练 Alex Net 模型的卷积核权重,以便与实际图像执行卷积。

我尝试通过编写一个简单的 python 代码来提取第一个卷积层的内核参数。

# Load the original network and extract the fully connected layers'    parameters. 
import caffe 
import sys 
 
f1=open('./testfile', 'w') 
 
net = caffe.Net('models/bvlc_alexnet/deploy.prototxt',  
            '/media/ubuntu/sdcard/bvlc_alexnet.caffemodel',  
            caffe.TEST) 
 
print >> f1, net.params['conv1'][0].data 

这给了我第一层 Alex Net 的内核权重,但内核大小存在差异。

我的输出文件是这样的

[[[[ -2.83153467e-02  -6.76262565e-03   1.69464536e-02 ..., 
 -1.89594068e-02  -1.02251852e-02   6.16483716e-03] 
[ -3.29505093e-02  -1.28040602e-02   1.36566022e-02 ..., 
 -2.06015427e-02  -3.66760854e-04   2.51943078e-02] 
[ -3.83224562e-02  -1.63374413e-02   1.71793532e-02 ..., 
 -2.37888489e-02   1.93770428e-03   3.10342778e-02] 
..., 
[ -1.32519063e-02   1.20311677e-02   1.48218526e-02 ..., 
 -1.09308660e-02   1.10638803e-02   3.24864089e-02] 
[ -1.22069763e-02   8.22285190e-03   1.70185007e-02 ..., 
 -8.42322689e-03   1.14848586e-02   3.08694635e-02] 
[ -3.33898212e-03   1.44736944e-02   9.51856188e-03 ..., 
 -1.00268638e-02   6.68688724e-03   2.11901478e-02]] 

由于我们在 alex 网络的第一个卷积层中有 96 个大小为 (11*11*3) 的内核,因此预期输出为 96 个大小为 (11*11*3) 的内核。

我没有为第二个甚至第三个卷积层获得合适的权重。

请您参考如下方法:

我能够获得卷积核权重,问题出在记事本文件的大小上。

这是我修改后的代码,我在其中循环打印内核权重。

import caffe 
import sys  
import numpy as np 
 
f1=open('./testfile', 'w') 
print >> f1,""; 
f1.close(); 
net = caffe.Net('models/bvlc_alexnet/deploy.prototxt',  
            '/media/ubuntu/sdcard/bvlc_alexnet.caffemodel',  
            caffe.TEST) 
f1=open('./testfile', 'a') 
for num in range(0,95): 
    print >> f1,net.params['conv1'][0].data[num] 
f1.close() 

我得到了 96 个大小为 11*11*3 的内核。

-希望对您有所帮助:)