Python 如何可视化Caffe参数？

我发现，在训练网络后，我一直在寻找一种在Caffe中可视化参数的方法。它发送一个参数的转置

filters = net.params['conv1'][0].data
vis_square(filters.transpose(0, 2, 3, 1))

我不明白为什么它会转移数据？在可视方中使用以下代码：

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:])

这是太压缩，无法理解，任何解释将不胜感激。然后，当我将代码更改为获取conv2而不是conv1时：

filters = net.params['conv2'][0].data
vis_square(filters.transpose(0, 2, 3, 1))

我明白了

类型错误：图像数据的维度无效

，conv1和conv2之间是否存在导致此错误的任何差异？我们如何更改代码来修复它，并使其适用于所有层

一些调试数据：

net.params['conv1'][0].data.shape : (96, 3, 11, 11)
net.params['conv1'][1].data.shape : (96,)
net.params['conv2'][0].data.shape : (256, 48, 5, 5)
net.params['conv2'][1].data.shape : (256,)
net.params['conv3'][0].data.shape : (384, 256, 3, 3)
net.params['conv3'][1].data.shape : (384,)

for conv2:
data.shape[0] :  256
np.sqrt(data.shape[0]) :  16.0
np.ceil(np.sqrt(data.shape[0])) :  16.0

data.shape[0] :  256
data.shape[0:] :  (256, 6, 6, 48)
data.shape[1] :  6
data.shape[1:] :  (6, 6, 48)
data.ndim :  4
range(4, data.ndim + 1)) :  [4]
tuple(range(4, data.ndim + 1)) :  (4,)

及之后：

data = np.pad(data, padding, mode='constant', constant_values=1)

对于conv2：

data.shape :  (10, 12, 10, 12, 3)

之后

data = data.reshape((n, n) + data.shape[1:]).transpose((0, 2, 1, 3) + tuple(range(4, data.ndim + 1)))

数据如下：

data.shape :  (120, 120, 3)

---

您检查的代码是为了可视化（即转换为RGB图像）卷积滤波器而编写的。

conv1

过滤器（在您的示例中）的形状是

（96,3,11,11）

，意思是
-

96

：您的网络的

conv1

中有96个过滤器（即

num\u输出：96

），因此您希望查看96个不同的过滤器。
-

3

：每个过滤器的输入维度是3，因为网络中的

conv1

的输入是一个带有三个通道的RGB图像。
-

11,11

：您案例中每个内核/过滤器的空间大小为11x11（即

内核大小：11

）。
因此，将96个过滤器可视化为11x11x3缩略图

但是，当尝试可视化

conv2

（或任何其他更深层次）时，您会遇到问题。RGB不再意味着过滤维度。

conv2

的过滤器作用于

conv1

的输出功能（在您的情况下，它是一个96维的空间）。迄今为止，AFAIK还没有直接的方法将96维数据转换为简单的3D RGB表示。
因此，您不能使用相同的代码来可视化

conv2

过滤器。您必须使用其他方法进行可视化