上一篇博客，介绍了怎么对训练好的model的各层权重可视化，这篇博客，我们介绍测试图片输入网络后产生的特征图的可视化
记得上篇中，我们是写了一个新的文件test.cpp，然后编译运行那个文件的，这是因为权重可视化，是不需要网络的前向传播，只要加载model就好了，而我们如果需要可视化特征图，那就必须进行网络的前向传播了，所以，这次，我们对caffe根目录下的examples/cpp_classification/classification.cpp文件基础上，进行修改，添加我们自己需要的功能（可视化），同样的，我们把这个文件拷贝过来，放在自己的某个文件夹下，假设取名依然为test.cpp，而我们要修改的，就是Predict函数,定位到Predict函数，在net_->Forward();后面加入以下代码：
-
//打印出一张图片经过网络各层产出的各层输出 -
cout<<"网络中的Blobs名称为：\n"; -
vector<shared_ptr<Blob<float> > > blobs=net_->blobs(); //得到各层的输出特征向量 -
vector<string> blob_names=net_->blob_names(); //各层的输出向量名字 -
cout<<blobs.size()<<" "<<blob_names.size()<<endl; -
for(int i=0;i<blobs.size();i++){ -
cout<<blob_names[i]<<" "<<blobs[i]->shape_string()<<endl; -
} -
cout<<endl;
编译该文件，编译命令参照上一篇博客，此时会打印出如下信息
-
网络中的Blobs名称为： -
15 15 -
data 1 3 227 227 (154587) -
conv1 1 96 55 55 (290400) -
pool1 1 96 27 27 (69984) -
norm1 1 96 27 27 (69984) -
conv2 1 256 27 27 (186624) -
pool2 1 256 13 13 (43264) -
norm2 1 256 13 13 (43264) -
conv3 1 384 13 13 (64896) -
conv4 1 384 13 13 (64896) -
conv5 1 256 13 13 (43264) -
pool5 1 256 6 6 (9216) -
fc6 1 4096 (4096) -
fc7 1 4096 (4096) -
fc8 1 1000 (1000) -
prob 1 1000 (1000)
可以看到，此时将每个层的输出特征图的维度信息都打印出来了，比如data层的输出是1 3 227 277，因为网络的输入图片是1个，3通道，尺寸是227*227；经过conv1层的输出是1 96 55 55，因为conv1层有96个卷积核，卷积核大小为11*11，步长为4，所以其输出的每个特征图的尺寸为(227-11)/4+1=55，所以特征图的尺寸也对应着1 96 55 55.
好了，我们接下来再输入一下代码，进行对经过conv1的特征图可视化，其尺寸是1 96 55 55，也就看出是96个55*55大小的灰度图
-
//将测试图片经过第一个卷积层的特征图可视化 -
string blobName="conv1"; //我们取经过第一个卷积层的特征图 -
assert(net_->has_blob(blobName)); //为免出错，我们必须断言，网络中确实有名字为blobName的特征图 -
shared_ptr<Blob<float> > conv1Blob=net_->blob_by_name(blobName); //1*96*55*55 断言成功后，按名字返回该 特征向量 -
cout<<"测试图片的特征响应图的形状信息为："<<conv1Blob->shape_string()<<endl; //打印输出的特征图的形状信息 -
//和前面的博客一样,此时的特征向量是经过了ReLU**函数的，范围在0~无穷大，我们为了可视化，仍然需要归一化到0~255 -
//下面的代码，跟上一篇博客中是一样的 -
float maxValue=-10000000,minValue=10000000; -
const float* tmpValue=conv1Blob->cpu_data(); -
for(int i=0;i<conv1Blob->count();i++){ -
maxValue=std::max(maxValue,tmpValue[i]); -
minValue=std::min(minValue,tmpValue[i]); -
} -
int width=conv1Blob->shape(2); //响应图的宽度 -
int height=conv1Blob->shape(3); //响应图的高度 -
int num=conv1Blob->shape(1); //个数 -
int imgHeight=(int)(1+sqrt(num))*height; -
int imgWidth=(int)(1+sqrt(num))*width; -
Mat img2(imgHeight,imgWidth,CV_8UC1,Scalar(0)); //此时，应该是灰度图 -
int kk=0; -
for(int x=0;x<imgHeight;x+=height){ -
for(int y=0;y<imgWidth;y+=width){ -
if(kk>=num) -
continue; -
Mat roi=img2(Rect(y,x,width,height)); -
for(int i=0;i<height;i++){ -
for(int j=0;j<width;j++){ -
float value=conv1Blob->data_at(0,kk,i,j); -
roi.at<uchar>(i,j)=(value-minValue)/(maxValue-minValue)*255; -
} -
} -
kk++; -
} -
} -
resize(img2,img2,Size(500,500));//进行显示 -
imshow("2",img2); -
waitKey(0);
输入图片
特征图
会了这一点后，大家如果想将CNN单纯的当做特征提取器，可以将第一个全连接层的前一层的输出特征向量（比如这个网络，是pool5层的输出特征1*256*6*6=9216）提取出来，这是该图片经过CNN后的最初步的特征，当然如果觉得维度高，也可以提取出第一个全连接层的特征向量，这里是4096维，然后再送进泛化性能更好的分类器（如SVM）去分类识别，我用提取第一个全连接层的4096维特征试验了下SVM，在线性核下，分类效果大致相当。大家可以根据自己的需求去尝试。