tensorflow ckpt文件转caffemodel时遇到的坑
在做tensorflow模型转caffe模型时，遇到了几个坑。其中之一就是caffe的padding方式和tensorflow的padding方式有很大的区别，导致每一层的输出都无法对齐，让我一度怀疑转换模型的代码是错的。
卷积操作输出的形状计算公式是这样的：
output_shape = (image_shape-filter_shape+2*padding)/stride+1
因为padding前面的系数是2，所以在padding时，一般是对称地补，左／右各padding一列 或者 上下各padding一行。
那么问题来了，如果stride是2，而括号里算出来的值刚好是奇数怎么办？那就再偷偷摸摸补一列padding或者补一行padding。
于是，caffe和tensorflow的区别就出来了。
caffe偷偷摸摸地把一行0补在上面 或者 把一列0补在左边，tensorflow正好镜像对称，把一行0补在下面或者把一列0补在右边。这就是导致输出对齐不了的原因，前面几层输出的feature map的中间还能勉强对上，随着网络结构的加深，到fc之前已经完全对不上了。
那tensorflow转caffe岂不是无解？想基于tensorflow训练模型再转成caffe投入实际应用中走不通了？
当然不是。只要稍微修改一下源码就好啦。
https://github.com/petewarden/tensorflow_makefile/blob/master/tensorflow/core/kernels/ops_util.cc
把60行的*pad_top 改成 *pad_bottom，把61行的*pad_bottom改成*pad_top
把65行的*pad_left 改成 *pad_right ，把66行的*pad_right 改成 *pad_left
然后重新编译一下，就可以让tensorflow和caffe的padding方式保持一致了。
除了padding方式外，卷积层和fc层的通道顺序也需要注意一下：
卷积层的通道顺序：在caffe里是[N,C,H,W]，而tensorflow是[H,W,C,N]
fc层的通道顺序：在caffe 里是[c_in,c_out]，而tensorflow是[c_out,c_in]
@ johntian
你好，tensorflow转caffe的工作没有开源。解析tensorflow的ckpt文件而获得网络的结构图难度比较大，我们现在做的只是写一些简单的python脚本，并且在网络命名上有严格的限制。脚本的逻辑大概就是1 根据ckpt文件生成deploy文件 2 用pycaffe进行ckpt到caffemodel的转换。