pip install jupyter

conda install ipython ipython-notebook
　　conda install python-matplotlib python-scipy python-pandas python-sympy python-nose

jupyter notebook

python

import caffe

cd caffe_windows
python ./scripts/download_model_binary.py models/bvlc_reference_caffenet

cd ./python
ipython notebook

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

# Make sure that caffe is on the python path:
caffe_root = ‘../‘  
# this file is expected to be in {caffe_root}/examples
#这里注意路径一定要设置正确,记得前后可能都有“/”,路径的使用是
#{caffe_root}/examples,记得 caffe-root 中的 python 文件夹需要包括 caffe 文件夹。

#caffe_root = ‘/home/bids/caffer-root/‘ #为何设置为具体路径反而不能运行呢

import sys
sys.path.insert(0, caffe_root + ‘python‘)
import caffe #把 ipython 的路径改到指定的地方(这里是说刚开始在终端输入ipython notebook命令时，一定要确保是在包含caffe的python文件夹，这就是上面代码（×）),以便可以调入 caffe 模块,如果不改路径,import 这个指令只会在当前目录查找,是找不到 caffe 的。

plt.rcParams[‘figure.figsize‘] = (10, 10)
plt.rcParams[‘image.interpolation‘] = ‘nearest‘
plt.rcParams[‘image.cmap‘] = ‘gray‘
#显示的图表大小为 10,图形的插值是以最近为原则,图像颜色是灰色

import os
if not os.path.isfile(caffe_root + ‘models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel‘):
    print("Downloading pre-trained CaffeNet model...")
    !../scripts/download_model_binary.py ../models/bvlc_reference_caffenet

#设置网络为测试阶段，并加载网络模型prototxt和数据平均值mean_npy

caffe.set_mode_cpu()# 采用CPU运算
net = caffe.Net(caffe_root + ‘models/bvlc_reference_caffenet/deploy.prototxt‘,caffe_root + ‘models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel‘,caffe.TEST)

# input preprocessing: ‘data‘ is the name of the input blob == net.inputs[0]
transformer = caffe.io.Transformer({‘data‘: net.blobs[‘data‘].data.shape})
transformer.set_transpose(‘data‘, (2,0,1))
transformer.set_mean(‘data‘, np.load(caffe_root + ‘python/caffe/imagenet/ilsvrc_2012_mean.npy‘).mean(1).mean(1)) 
# mean pixel，ImageNet的均值
transformer.set_raw_scale(‘data‘, 255) 
# the reference model operates on images in [0,255] range instead of [0,1]。参考模型运行在【0,255】的灰度,而不是【0,1】

transformer.set_channel_swap(‘data‘, (2,1,0))  

# the reference model has channels in BGR order instead of RGB，因为参考模型本来频道是 BGR,所以要将RGB转换

# set net to batch size of 50
net.blobs[‘data‘].reshape(50,3,227,227)

#加载测试图片，并预测分类结果。

net.blobs[‘data‘].data[...] = transformer.preprocess(‘data‘, caffe.io.load_image(caffe_root + ‘examples/images/cat.jpg‘))
out = net.forward()
print("Predicted class is #{}.".format(out[‘prob‘][0].argmax()))

plt.imshow(transformer.deprocess(‘data‘, net.blobs[‘data‘].data[0]))
#plt.show()

# load labels,加载标签，并输出top_k
imagenet_labels_filename = caffe_root + ‘data/ilsvrc12/synset_words.txt‘
try:
    labels = np.loadtxt(imagenet_labels_filename, str, delimiter=‘\t‘)
except:
    !../data/ilsvrc12/get_ilsvrc_aux.sh
    labels = np.loadtxt(imagenet_labels_filename, str, delimiter=‘\t‘)
# sort top k predictions from softmax output

top_k = net.blobs[‘prob‘].data[0].flatten().argsort()[-1:-6:-1]
print labels[top_k]


# CPU 与 GPU 比较运算时间
# CPU mode

net.forward()  # call once for allocation
%timeit net.forward()

# GPU mode
caffe.set_device(0)
caffe.set_mode_gpu()
net.forward()  # call once for allocation
%timeit net.forward()

#****提取特征并可视化****

# for each layer, show the output shape
for layer_name, blob in net.blobs.iteritems():
    print layer_name + ‘\t‘ + str(blob.data.shape)

#网络的特征存储在net.blobs，参数和bias存储在net.params，以下代码输出每一层的名称和大小。这里亦可手动把它们存储下来。

[(k, v.data.shape) for k, v in net.blobs.items()]

#显示出各层的参数和形状,第一个是批次,第二个 feature map 数目,第三和第四是每个神经元中图片的长和宽,可以看出,输入是 227*227 的图片,三个频道,卷积是 32 个卷积核卷三个频道,因此有 96 个 feature map

[(k, v[0].data.shape) for k, v in net.params.items()]
#输出:一些网络的参数

#**可视化的辅助函数**
# take an array of shape (n, height, width) or (n, height, width, channels)用一个格式是(数量,高,宽)或(数量,高,宽,频道)的阵列
# and visualize each (height, width) thing in a grid of size approx. sqrt(n) by sqrt(n)每个可视化的都是在一个由一个个网格组成

def vis_square(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 = http://www.mamicode.com/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)


#根据每一层的名称，选择需要可视化的层，可以可视化filter（参数）和output（特征）
# the parameters are a list of [weights, biases],各层的特征，第一个卷积层，共96个过滤器
filters = net.params[‘conv1‘][0].data
vis_square(filters.transpose(0, 2, 3, 1))
#使用 ipt.show()观看图像
plt.show()
#显示特征
filters_b = net.params[‘conv1‘][1].data
print filters_b

#过滤后的输出,96 张 featuremap
feat = net.blobs[‘conv1‘].data[4, :96]
vis_square(feat, padval=1)
#使用 ipt.show()观看图像:
plt.show()
#显示特征
filters_b = net.params[‘conv1‘][1].data
print filters_b

feat = net.blobs[‘conv1‘].data[0, :36]
vis_square(feat, padval=1)


#第二个卷积层:有 128 个滤波器,每个尺寸为 5X5X48。我们只显示前面 48 个滤波器,每一个滤波器为一行。输入:
filters = net.params[‘conv2‘][0].data
vis_square(filters[:48].reshape(48**2, 5, 5))
#使用 ipt.show()观看图像:
plt.show()
#显示特征
filters_b = net.params[‘conv2‘][1].data
print filters_b

#第二层输出 256 张 feature,这里显示 36 张。输入:
feat = net.blobs[‘conv2‘].data[4, :36]
vis_square(feat, padval=1)
#使用 ipt.show()观看图像
plt.show()
#显示特征
filters_b = net.params[‘conv2‘][1].data
print filters_b

feat = net.blobs[‘conv2‘].data[0, :36]
vis_square(feat, padval=1)

#第三个卷积层:全部 384 个 feature map,输入:
feat = net.blobs[‘conv3‘].data[4]
vis_square(feat, padval=0.5)
#使用 ipt.show()观看图像:
plt.show()

#第四个卷积层:全部 384 个 feature map,输入:
feat = net.blobs[‘conv4‘].data[4]
vis_square(feat, padval=0.5)
#使用 ipt.show()观看图像:
plt.show()

#第五个卷积层:全部 256 个 feature map,输入:
feat = net.blobs[‘conv5‘].data[4]
vis_square(feat, padval=0.5)
#使用 ipt.show()观看图像:
plt.show()

#第五个 pooling 层:我们也可以观察 pooling 层,输入:
feat = net.blobs[‘pool5‘].data[4]
vis_square(feat, padval=1)
#使用 ipt.show()观看图像:
plt.show()

#用caffe 的python接口提取和保存特征比较方便。
features = net.blobs[‘conv5‘].data  # 提取卷积层 5 的特征
np.savetxt(‘conv5_feature.txt‘, features, fmt=‘%s‘) # 将特征存储到本文文件中


#然后我们看看第六层(第一个全连接层)输出后的直方分布:
feat = net.blobs[‘fc6‘].data[4]
plt.subplot(2, 1, 1)
plt.plot(feat.flat)
plt.subplot(2, 1, 2)
_ = plt.hist(feat.flat[feat.flat > 0], bins=100)
#使用 ipt.show()观看图像:
plt.show()

#第七层（第二个全连接层）输出后的直方分布:可以看出值的分布没有这么平均了。
feat = net.blobs[‘fc7‘].data[4]
plt.subplot(2, 1, 1)
plt.plot(feat.flat)
plt.subplot(2, 1, 2)
_ = plt.hist(feat.flat[feat.flat > 0], bins=100)
#使用 ipt.show()观看图像:
plt.show()

#The final probability output, prob
feat = net.blobs[‘prob‘].data[0]
plt.plot(feat.flat)


#最后看看标签:Let‘s see the top 5 predicted labels.
# load labels
imagenet_labels_filename = caffe_root + ‘data/ilsvrc12/synset_words.txt‘
try:
    labels = np.loadtxt(imagenet_labels_filename, str, delimiter=‘\t‘)
except:
    !../data/ilsvrc12/get_ilsvrc_aux.sh
    labels = np.loadtxt(imagenet_labels_filename, str, delimiter=‘\t‘)

# sort top k predictions from softmax output
top_k = net.blobs[‘prob‘].data[0].flatten().argsort()[-1:-6:-1]
print labels[top_k]