博客

正如caffe的

examples

所提，CNN model并不是一个黑盒，caffe提供了工具来查看cnn各层的所有输出

1.查看CNN各层的activations值的结构（即每一层的输出）

代码如下：

# 显示每一层
for layer_name, blob in net.blobs.iteritems():
    print layer_name + '\t' + str(blob.data.shape)

第i次循环体内部

• layer_name提取的是net的第i层的名称
• blob提取的是net的第i层的输出数据（4d）

结果为：

data

(50, 3, 227, 227) 网络的输入，batch_number = 50，图像为227*227*3的RGB图像

conv1

(50, 96, 55, 55) 第一个conv层的输出图像大小为55*55，feature maps个数为96

pool1

(50, 96, 27, 27) 第一个pool层的图像尺寸为27*27，feature map个数为96

norm1

(50, 96, 27, 27) 第一个norm层的图像尺寸为27*27，feature map个数为96

conv2

(50, 256, 27, 27) 第二个conv层的图像尺寸为27*27，feature map个数为256

pool2

(50, 256, 13, 13) 第二个pool层的图像尺寸为13*13，feature map个数为256

norm2

(50, 256, 13, 13) 第二个norm层的图像尺寸为13*13，feature map个数为256

conv3

(50, 384, 13, 13) 第三个conv层的图像尺寸为13*13，feature map个数为384

conv4

(50, 384, 13, 13) 第四个conv层的图像尺寸为13*13，feature map个数为384

conv5

(50, 256, 13, 13) 第五个conv层的图像尺寸为13*13，feature map个数为256

pool5

(50, 256, 6, 6) 第五个pool层的图像尺寸为13*13，feature map个数为256

fc6

(50, 4096)

第六个fc层的图像尺寸为4096

fc7

(50, 4096)

第七个fc层的图像尺寸为4096

fc8

(50, 1000)

第八个fc层的图像尺寸为1000

prob

(50, 1000)

probablies层的尺寸为1000