SSD抽取权重

SSD检测网络抽取权重，用于生成更好的预训练模型，加快收敛速度。

# coding:utf-8
import numpy as np
import sys

caffe_root=‘/home/mx/caffe/‘
sys.path.insert（0caffe_root+‘python‘）
import caffe

caffe.set_device（0）
caffe.set_mode_gpu（） # 使用GPU模式

voc_deploy=‘/home/mx/tempfile/net_surgery/deploy_voc.prototxt‘ # 21类的deploy文件
voc_caffemodel=‘/home/mx/tempfile/net_surgery/VGG_VOC0712_SSD_300x300_iter_120000.caffemodel‘ # 21类的caffemodel文件
kitti_deploy=‘/home/mx/tempfile/net_surgery/deploy_kitti.prototxt‘ # 4类的deploy文件

voc_net=caffe.Net（voc_deployvoc_caffemodelcaffe.TEST） # 从caffemodel加载参数
kitti_net=caffe.Net（kitti_deploycaffe.TEST） # 参数由系统初始化

# 需要修改的层，从21类中挑出4类使用
change_layer=[‘conv4_3_norm_mbox_conf‘‘fc7_mbox_conf‘‘conv6_2_mbox_conf‘‘conv7_2_mbox_conf‘‘conv8_2_mbox_conf‘‘conv9_2_mbox_conf‘]

# 定义字典，层名和输入通道数对应起来，有两种类型，prior_box=4 or 6
name_channel_84={‘conv4_3_norm_mbox_conf‘:512‘conv8_2_mbox_conf‘:256‘conv9_2_mbox_conf‘:256}
name_channel_126={‘fc7_mbox_conf‘:1024‘conv6_2_mbox_conf‘:512‘conv7_2_mbox_conf‘:256}

for name in voc_net.params.keys（）:
    if（name not in change_layer）:
        if（name==‘conv4_3_norm‘）:
            kitti_net.params[name][0].data[...] = voc_net.params[name][0].data # 单独处理conv4_3_norm
        else:
            kitti_net.params[name][0].data[...] = voc_net.params[name][0].data
            kitti_net.params[name][1].data[...] = voc_net.params[name][1].data

# 处理mbox_conf的卷积层参数，首先是prior_box=4的三个层
for namechannel in name_channel_84.items（）:
    weight=voc_net.params[name][0].data # 暂存卷积核权重
    bias=voc_net.params[name][1].data # 暂存偏置项
    w=np.zeros（（16channel33）） # 目标维度是（16channel33），初始化为全0
    b=np.zeros（（16）） # 偏置项是一维矩阵
    # 按照voc的类别顺序，依次提取背景（0）、自行车（2）、汽车（7）、行人（15）的卷积核权重和偏置项
    for i in [0123]:
        w[4 * i ...] = weight[21 * i ...]
        w[1 + 4 * i ...] = weight[2 + 21 * i ...]
        w[2 + 4 * i ...] = weight[7 + 21 * i ...]
        w[3 + 4 * i ...] = weight[15 + 21 * i ...]
        b[4 * i] = bias[21 * i]
        b[1 + 4 * i] = bias[2 + 21 * i]
        b[2 + 4 * i] = bias[7 + 21 * i]
        b[3 + 4 * i] = bias[15 + 21 * i]
    # 存入到kitti_net的对应层
    kitti_net.params[name][0].data[...]=w
    kitti_net.params[name][1].data[...]=b

# 处理mbox_conf的卷积层参数，首然后是prior_box=6的三个层
for namechannel in name_channel_126.items（）:
    weight=voc_net.params[name][0].data 
    bias=voc_net.params[name][1].data 
    w=np.zeros（（24channel33）） 
    b=np.zeros（（24）） 
    for i in [012345]:
        w[4 * i ...] = weight[21 * i ...]
        w[1 + 4 * i ...] = weight[2 + 21 * i ...]
        w[2 + 4 * i ...] = weight[7 + 21 * i ...]
        w[3 + 4 * i ...] = weight[15 + 21 * i ...]
        b[4 * i] = bias[21 * i]
        b[1 + 4 * i] = bias[2 + 21 * i]
        b[2 + 4 * i] = bias[7 + 21 * i]
        b[3 + 4 * i] = bias[15 + 21 * i]
    kitti_net.params[name][0].data[...]=w
    kitti_net.params[name][1].data[...]=b

print（‘all the parameters have been wrote.‘）

# 保存caffemodel文件到本地目录
# 使用该模型作为预训练模型，可加快训练速度，精度也有一定提升
kitti_net.save（‘/home/mx/tempfile/net_surgery/V

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        3525  2018-01-26 13:25  convert_caffemodel_ch.py
     文件       24528  2017-04-23 06:46  deploy_kitti.prototxt
     文件       24539  2016-12-19 12:01  deploy_voc.prototxt