​ 本文已参与「新人创作礼」活动，一起开启掘金创作之路。

 一、可视化工具网址

Netscope

二、数据打包成lmdb格式（lmdb.py）

#!/usr/bin/env python
# encoding: utf-8
'''
@author: lljyoyo1995
@license: (C) Copyright 2014-2019,Fish Group.
@contact: 1821381898@qq.com
@software: PyCharm
@file: lmdb.py
@time: 19-8-21 下午3:42
@desc:
'''

import lmdb
import numpy as np
import cv2
import caffe
from caffe.proto import caffe_pb2

def write():
    """
    生成lmdb格式文件
    :return:
    """
    lmdb_file = 'lmdb_data' # 存放lmdb文件的文件夹
    batch_size = 256

    lmdb_env = lmdb.open(lmdb_file, map_size=int(1e12)) # 1e1, 10^12
    lmdb_txn = lmdb_env.begin(write = True)
    for x in range(batch_size):
        data = np.ones((3, 64, 64), np.uint8)
        label = x
        datum = caffe.io.array_to_datum(data, label)
        keystr = '{:0>8d}'.format(x)
        lmdb_txn.put(keystr, datum.SerializeToString()) # 序列化

    lmdb_txn.commit()

def read():
    """
    读取lmdb文件
    :return:
    """
    lmdb_env = lmdb.open('lmdb_data')
    lmdb_txt = lmdb_env.begin()
    datum = caffe_pb2.Datum()

    for key, value in lmdb_txt.cursor():
        datum.ParseFromString(value) # 反序列化
        label = datum.label
        data = caffe.io.datum_to_array(datum)
        print(label)
        print(data)

if __name__ == '__main__':
    write()
    read()

运行lmdb.py，生成data.mdb文件

​

三、构建网络（create_net.py）

#!/usr/bin/env python
# encoding: utf-8
'''
@author: lljyoyo1995
@license: (C) Copyright 2014-2019,Fish Group.
@contact: 1821381898@qq.com
@software: PyCharm
@file: create_net.py
@time: 19-8-21 下午6:03
@desc:
'''

import caffe


def create_net():
    # 网络规范
    net = caffe.NetSpec()
    # 第一层Data层
    net.data, net.label = caffe.layers.Data(source='data.lmdb',
                                            backend=caffe.params.Data.LMDB,
                                            batch_size=32,
                                            ntop=2,
                                            transform_param=dict(crop_size=40, mirror=True)
                                            )
    # 第二层Convolution层
    net.conv1 = caffe.layers.Convolution(net.data,
                                         num_output=20,
                                         kernel_size=5,
                                         weight_filler={'type':'xavier'},
                                         bias_filler={'type':'xavier'}
                                         )
    # 第三层ReLU激活层
    net.relu1 = caffe.layers.ReLU(net.conv1,
                                  in_place=True)
    # 第四层Pooling池化层
    net.pool1 = caffe.layers.Pooling(net.relu1,
                                     pool=caffe.params.Pooling.MAX,
                                     kernel_size=3, stride=2)

    net.conv2 = caffe.layers.Convolution(net.pool1,
                                         num_output=32,
                                         kernel_size=3,
                                         pad=1,
                                         weight_filler={'type': 'xavier'},
                                         bias_filler={'type': 'xavier'}
                                         )
    net.relu2 = caffe.layers.ReLU(net.conv2,
                                  in_place=True)
    net.pool2 = caffe.layers.Pooling(net.relu2,
                                     pool=caffe.params.Pooling.MAX,
                                     kernel_size=3, stride=2)
    # 全连接层
    net.fc3 = caffe.layers.InnerProduct(net.pool2,
                                        num_output=1024,
                                        weight_filler=dict(type='xavier')
                                        )
    net.relu3 = caffe.layers.ReLU(net.fc3,
                                  in_place=True)
    # 创建一个dropout层
    net.drop = caffe.layers.Dropout(net.relu3,
                                    dropout_param=dict(dropout_ratio=0.5)
                                    )
    net.fc4 = caffe.layers.InnerProduct(net.drop,
                                        num_output=10,
                                        weight_filler=dict(type='xavier')
                                        )
    # 创建一个softmax层
    net.loss = caffe.layers.softmaxWithLoss(net.fc4,
                                            net.label)
    
    # 写入prototxt文件
    with open('net//tt.prototxt', 'w') as f:
        f.write(str(net.to_proto()))

if __name__ == '__main__':
    create_net()

运行create_net.py，生成 tt.prototxt网络结构文件

​

四、caffe网络结构可视化

将生成的tt.prototxt文件中的代码，拷贝到 Netscope 中的指定位置，按住 【Shift + Enter】查看网络结构

​ ​