在上一篇博客中，已经介绍了caffe用训练好的model对一副测试图片进行分类的c++实现过程。
今天，我们来看对一个训练好的model，用c++进行model的网络权值的可视化，比如看看网络中的第一个卷积层conv1、第一个卷积层pool1到底学到的是什么特征。
正如上一篇博客结尾处说的，网络权值的可视化，是不需要网络的前向传播就能看到的，因为学到的参数已经事实存在了，只要加载这个model，把相关的参数提取出来就ok啦，所以，为了简单起见，这里就不在classification.cpp里去添加代码实现，而是在一个新的cpp文件里实现这个功能（当然，最好是可以将权值可视化功能封装在classification.cpp这个文件里，这样子的话，该文件就提供了分类、可视化等功能，同理，还可以将提取某一层特征向量，特征图可视化也集成在这个文件里，这样的话对以后的需求就能方便的使用了，比如讲第一个全连接层的特征向量提取出来，再送进更精准的分类器（如SVM）去分类，而只把cnn当成特征提取器）;
不失一般性，我们借用caffe中已经训练好的模型caffenet（2012年的alexnet的修改版），对该model进行可视化
// File: test.cpp#include <caffe/caffe.hpp> //为了能正常编译，需要引入caffe的头文件
#include <opencv2/core/core.hpp> //这三行是为了引用opencv
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <algorithm>
#include <iosfwd>
#include <memory> //使用c++智能指针，必须包含该目录
#include <string>
#include <utility>
#include <vector>using namespace caffe; // NOLINT(build/namespaces)
using namespace cv;
using namespace std;
int main(){
//初始化一个网络，网络结构从caffenet_deploy.prototxt文件中读取，TEST表示是测试阶段
Net<float> net("caffenet_deploy.prototxt",TEST);
net.CopyTrainedLayersFrom("caffenet.caffemodel"); //读取已经训练好的model的参数
vector<shared_ptr<Blob<float> > > params=net.params(); //获取网络的各个层学习到的参数(权值+偏置)
//打印出该model学到的各层的参数的维度信息
cout<<"各层参数的维度信息为：\n";
for(int i=0;i<params.size();++i)
cout<<params[i]->shape_string()<<endl;
return 0;
}此时，我们需要编译该文件，假设该文件取名test.cpp，则执行以后命令编译该文件
g++ -o netapp.bin test.cpp `pkg-config --libs --cflags opencv` -I ~/caffe/include/ -I ~/caffe/src/ -I ~/caffe/build/src/ -I /usr/local/cuda-8.0/include/ -L ~/caffe/build/lib/ -lprotobuf -lcaffe -lglog -lboost_system好了，此时已经编译成功，生成了netapp.bin可执行文件，我们再把caffenet的deploy.prototxt和caffenet.model文件放在这个目录下，运行 ./netapp.bin，打印出一系列blog后，会输出以下信息：
96 3 11 11 (34848)
96 (96)
256 48 5 5 (307200)
256 (256)
384 256 3 3 (884736)
384 (384)
384 192 3 3 (663552)
384 (384)
256 192 3 3 (442368)
256 (256)
4096 9216 (37748736)
4096 (4096)
4096 4096 (16777216)
4096 (4096)
1000 4096 (4096000)
1000 (1000)
我们都知道alexnet模型的网络结构，由数据层、5个卷积层+池化层+ReLU层交叉、3个全连接层组成，而这个网络需要学习的参数（权重+偏置），则只有5个卷积层+3个全连接层（池化层和Relu层是不用学习权重参数的），从打印的信息来看，分别是第一个卷积层权重参数的维度，第一个卷积层偏置参数的维度；第一个卷积层权重参数的维度，第一个卷积层偏置参数的维度；.......以此类推，刚好16行，没层输出2行，所以一共8层（5卷积+3全连接）。
所以，我们可以对某一个层的权重进行可视化了，继续往test.cpp文件中添加代码
//对第一个卷积层进行可视化，第一个卷积层"conv1"的维度信息是96*3*11*11，即96个卷积核，每个卷积核是3通道的，每个卷积核尺寸为11*11
//故我们可以认为，该卷积层有96个图，每个图是11*11的三通道BGR图像
int ii=0; //我们提前第1层的参数，此时为conv1层
int width=params[ii]->shape(2); //宽度,第一个卷积层为11
int height=params[ii]->shape(3); //高度，第一个卷积层为11
int num=params[ii]->shape(0); //卷积核的个数，第一个卷积层为96 //我们将num个图，放在同一张大图上进行显示，此时用OpenCV进行可视化，声明一个大尺寸的图片，使之能容纳所有的卷积核图
int imgHeight=(int)(1+sqrt(num))*height; //大图的尺寸
int imgWidth=(int)(1+sqrt(num))*width;
Mat img1(imgHeight,imgWidth,CV_8UC3,Scalar(0,0,0));
//同时，我们注意到各层的权值，是一个可正可负的实数，而在OpenCV里的一般图片，每个像素的值在0~255之间
//因为我们还需要对权值进行归一化到0~255才能正常显示
float maxValue=-1000,minValue=10000;
const float* tmpValue=params[ii]->cpu_data(); //获取该层的参数，实际上是一个一维数组
for(int i=0;i<params[ii]->count();i++){ //求出最大最小值
maxValue=std::max(maxValue,tmpValue[i]);
minValue=std::min(minValue,tmpValue[i]);
}
//对最终显示的大尺寸图片，进行逐个像素赋值
int kk=0; //此时在画第kk个卷积核
for(int y=0;y<imgHeight;y+=height){
for(int x=0;x<imgWidth;x+=width){
if(kk>=num)
continue;
Mat roi=img1(Rect(x,y,width,height));
for(int i=0;i<height;i++){
for(int j=0;j<width;j++){
for(int k=0;k<3;k++){
float value=params[ii]->data_at(kk,k,i,j); roi.at<Vec3b>(i,j)[k]=(value-minValue)/(maxValue-minValue)*255; //归一化到0~255
}
}
}
++kk;
}
}
resize(img1,img1,Size(500,500)); //将显示的大图，调整为500*500尺寸
imshow("conv1",img1); //显示
waitKey(0); 
此时，第一个卷积层的96个权重图如上所示，可以看出，这个跟用python或者matlab接口可视化的权重是一样的。