如果用公式 y=f(wx+b)
來表示整個運算過程的話，那麼w和b就是我們需要訓練的東西，w稱為權值，在cnn中也可以叫做卷積核（filter），b是偏置項。f是激活函數，有sigmoid、relu等。x就是輸入的數據。
數據訓練完成後，保存的caffemodel裡面，實際上就是各層的w和b值。
我們運行代碼：
deploy=root + 'mnist/deploy.prototxt' #deploy文件caffe_model=root + 'mnist/lenet_iter_9380.caffemodel' #訓練好的 caffemodelnet = caffe.Net(net_file,caffe_model,caffe.TEST) #加載model和network就把所有的參數和數據都加載到一個net變量裡面了，但是net是一個很復雜的object, 想直接顯示出來看是不行的。其中：
net.params: 保存各層的參數值（w和b)
net.blobs: 保存各層的數據值
可用命令：
[(k,v[0].data) for k,v in net.params.items()]查看各層的參數值，其中k表示層的名稱，v[0].data就是各層的W值，而v[1].data是各層的b值。注意：並不是所有的層都有參數，只有卷積層和全連接層才有。
也可以不查看具體值，只想看一下shape,可用命令
[(k,v[0].data.shape) for k,v in net.params.items()]假設我們知道其中第一個卷積層的名字叫'Convolution1', 則我們可以提取這個層的參數：
w1=net.params['Convolution1'][0].datab1=net.params['Convolution1'][1].data輸入這些代碼，實際查看一下，對你理解network非常有幫助。
同理，除了查看參數，我們還可以查看數據，但是要注意的是，net裡面剛開始是沒有數據的，需要運行：
net.forward()之後才會有數據。我們可以用代碼：
[(k,v.data.shape) for k,v in net.blobs.items()]或
[(k,v.data) for k,v in net.blobs.items()]來查看各層的數據。注意和上面查看參數的區別，一個是net.params, 一個是net.blobs.
實際上數據剛輸入的時候，我們叫圖片數據，卷積之後我們就叫特征了。
如果要抽取第一個全連接層的特征，則可用命令：
fea=net.blobs['InnerProduct1'].data只要知道某個層的名稱，就可以抽取這個層的特征。
推薦大家在spyder中，運行一下上面的所有代碼，深入理解模型各層。
最後，總結一個代碼：
import caffeimport numpy as nproot='/home/xxx/' #根目錄deploy=root + 'mnist/deploy.prototxt' #deploy文件caffe_model=root + 'mnist/lenet_iter_9380.caffemodel' #訓練好的 caffemodelnet = caffe.Net(deploy,caffe_model,caffe.TEST) #加載model和network[(k,v[0].data.shape) for k,v in net.params.items()] #查看各層參數規模w1=net.params['Convolution1'][0].data #提取參數wb1=net.params['Convolution1'][1].data #提取參數bnet.forward() #運行測試[(k,v.data.shape) for k,v in net.blobs.items()] #查看各層數據規模fea=net.blobs['InnerProduct1'].data #提取某層數據（特征）以上就是caffe的python接口caffemodel參數及特征抽取的詳細內容，更多關於python caffemodel參數特征抽取的資料請關注軟件開發網其它相關文章！
