如果遇到一些问题，可以在这里找下是否有解决方案。本文内容主要分为两部分，第一部分介绍基于caffe的回归分析，包括了数据准备、配置文件等；第二部分介绍了在MATLAB上进行的可视化。（话说本人最近有个课题需要做场景分类，有兴趣可以共同探讨一下）。
Preparation
预装好caffe on windows，并编译成功MATLAB接口。
通过caffe进行回归分析
通过caffe进行回归分析，在实验上主要分成HDF5数据准备、网络设计、训练、测试。该实验已经有网友做过，可以参考：http://www.cnblogs.com/frombeijingwithlove/p/5314042.html
或者查看转载的副本（http://blog.csdn.net/xiaoy_h/article/details/54731122）。但不同的是，本文在实验中某些必要的环节均通过MATLAB实现，而不是Python。下文仅对不同的内容进行介绍。
通过MATLAB准备HDF5数据
MATLAB是正经的MATLAB，比如你的数据含有35个输入变量，共10000个样本；先在MATLAB中创建一个变量，将数据（在此之间别忘了先做scaling）拷贝进去，将得到一个10000x 35的变量，当然标签变量就是10000 x 1的啦；最终得到train_x（10000 x 35）、train_y（10000 x 1）、test_x（600 x 35）、test_y（600 x 1）共四个变量，将他们保存到mat文件中，比如data.mat文件。
然后，通过如下脚本实现h5数据的转换（该脚本修改自CAFFE_ROOT\matlab\hdf5creation\目录下的demo.m）：
%% WRITING TO HDF5 filename = ‘train.h5‘; load ‘data.mat‘; num_total_samples = size(train_x,1); %获取样本总数 data_disk = train_x‘; label_disk = train_y‘; chunksz = 100; %数据块大小 created_flag = false; totalct = 0; for batchno=1:num_total_samples/chunksz fprintf(‘batch no. %d\n‘, batchno); last_read = (batchno-1)*chunksz; % 在dump到hdf5文件之前模拟内存中放置的最大数据量 batchdata = data_disk(:,last_read+1:last_read+chunksz); batchlabs = label_disk(:,last_read+1:last_read+chunksz); % 存入hdf5 startloc = struct(‘dat‘,[1,totalct+1], ‘lab‘,[1,totalct+1]); curr_dat_sz = store2hdf5(filename, batchdata,batchlabs, ~created_flag, startloc, chunksz); created_flag = true; %设置flag为了只创建一次文件 totalct = curr_dat_sz(end); %更新数据集大小 (以样本数度量) end %显示所存储HDF5文件的结构体 h5disp(filename); %创建HDF5_DATA_LAYER中使用的list文件 FILE = fopen(‘train.txt‘, ‘w‘); fprintf(FILE, ‘%s‘, filename); fclose(FILE); fprintf(‘HDF5 filename listed in %s \n‘,‘train.txt‘);
如上是训练集的h5格式生成方式，测试集的如法炮制一个脚本就行啦。至此，将得到四个文件，分别是train.h5，test.h5，train.txt，test.txt，前面两个为数据集文件，后面两个为数据集文件的路径描述文件，如果每个phase存在多个数据集的话只要在一个路径描述文件里列出即可。
网络设计
网络设计是能否得到有用模型的关键之一，可以参考一些资料，并根据自身数据的特点合理设计。本文采用如下简单的网络进行介绍：
训练和测试
一些主要的步骤在之前提到的博客中都有描述，这里讲一个trick—如何获取训练时的loss曲线。
首先，找到CAFFE_ROOT\src文件夹里的common.cpp文件并修改里面的内容：
1、添加头文件#include<direct.h>
2、定位voidGloballnit函数，在::google::InitGoogleLogging(*(pargv)[0]);下一行添加如下代码：
_mkdir("./log/");
FLAGS_colorlogtostderr =true; //设置输出到屏幕的日志显示相应颜色
//如下为设置各类日志信息对应日志文件的文件名前缀
google::SetLogDestination(google::GLOG_FATAL,"./log/log_error_");
google::SetLogDestination(google::GLOG_ERROR,"./log/log_error_");
google::SetLogDestination(google::GLOG_WARNING,"./log/log_error_");
google::SetLogDestination(google::GLOG_INFO,"./log/log_info_");
FLAGS_max_log_size = 1024; //最大日志大小为 1024MB
FLAGS_stop_logging_if_full_disk =true; //磁盘写满时，停止日志输出
修改完成后别忘了保存并重新编译caffe.exe，在之后的训练中可在CAFFE_ROOT\log下找到训练日志。
在获得了训练日志后，比如文件名为log_info_20170116-163216.9556，将其复制到CAFFE_ROOT\tools\extra目录下（可以看到同目录下的py程序），接着在该目录下打开命令行，并运行命令：
md logconvset logfile=log_info_20170116-163216.9556
python parse_log.py %logfile% ./logconv
ren logconv\%logfile%.train %logfile%.csv
pause
然后py程序会将日志转为csv文件，在excel表格中即可绘制loss曲线图：
基于MATLAB的模型可视化
网络模型的可视化又可以分为权值可视化（有的人觉得偏置不重要，不过偏置量在有的时候非常重要）和特征图可视化，按照自身应用的需求可以设计不同的可视化样式。
在实验上，可视化的步骤分为deploy文件编写、通过MATLAB接口读取训练好的模型文件、按照自身需求输出权值可视化图和输入样本并生成特征图。
deploy文件编写
通过脚本得到deploy文件的方法网上已经有一些了：http://blog.csdn.net/lanxuecc/article/details/52474476，不过貌似使用起来也挺麻烦的，不是通过输入直接输入train.prototxt文件来实现的。该方法有时候还没有直接手写来得简单粗暴：http://blog.csdn.net/sunshine_in_moon/article/details/49472901
从该博客内容可以得知deploy文件编写与train_test.prototxt不同的注意点大致如下：
1、*_deploy.prototxt文件的构造没有test网络中的test模块，只有训练模块
比如不能有如下之类的描述：
include{ phase：TRAIN/TEST }
2、数据层的写法更加简洁：
input: "data"input_dim: 1
input_dim: 3
input_dim: 32
input_dim: 32
注意红色部分，那是数据层的名字，没有这个的话，第一个卷积层无法找到数据；接着的四个参数为输入样本的维度。
3、卷积层和全连接层中weight_filler{}与bias_filler{}两个参数不用再填写，因为这两个参数的值由已经训练好的模型caffemodel文件提供。
4、输出层的变化没有了test模块测试精度，具体输出层区别如下：
*_train_test.prototxt文件：layer{
name: "loss"
type: "SoftmaxWithLoss" #注意此处与下面的不同
bottom: "ip2"
bottom: "label" #注意标签项在下面没有了，因为下面的预测属于哪个标签，因此不能提供标签
top: "loss"
}
*_deploy.prototxt文件：
layer {
name: "prob"
type: "Softmax"
bottom: "ip2"
top: "prob"
}
两个文件中输出层的类型不一样，一个是SoftmaxWithLoss，另一个是Softmax。另外为了方便区分训练与应用输出，训练时输出是loss，应用时是prob（当然，叫别的名也行）。
如果后续在执行这一行（net = caffe.Net(model,‘test‘);）MATLAB代码时程序直接崩溃了，那就是因为deploy文件中关于层的内容没有正确编写；而如果在执行这一行（net.copy_from(weights);）代码时程序直接崩溃了，那可能因为deploy文件中关于神经元输入输出维数的参数没有写对，比如在data层中input_dim: 3写成了input_dim: 1就会出错。
最后，可以参考下某个网络修改前后各层的对照（右边是deploy文件）：
注意一下，本人在这里省去了prob层（一个softmax层），有时候分析网络模型有这个层是一种累赘，视具体情况可以去掉；同时，由于softmax层没有权值等参数，所以在导入MATLAB中时程序并不会崩溃。
通过MATLAB接口读取训练好的模型文件
如下代码实现了测试样本导入、网络导入和权值导入等：
load ‘data.mat‘; %加载样本数据 caffe.set_mode_cpu(); %设置为CPU模式 model = ‘deploy.prototxt‘; %模型-网络 weights = ‘snapshot/_iter_10000.caffemodel‘; %模型-权值 net = caffe.Net(model,‘test‘); net.copy_from(weights); %得到训练好的权重参数
按照自身需求输出权值可视化图
上面已经完成好了权值等参数的导入，下面将首先获取层名，然后逐层可视化权值，废话不多说，直接上代码：
layernames = net.layer_names; %获取所有层名
magnifys = 3; %卷积核放大倍数，用于可视化放大
for li = 1:size(layernames,1)
% disp(layernames{li});
if strcmp(layernames{li}(1:2),‘ip‘) ||strcmp(layernames{li}(1:2),‘fc‘) %fc层
%还没想好怎么plot
elseif strcmp(layernames{li}(1:4),‘data‘) %数据层,跳过
elseif strcmp(layernames{li}(1:4),‘conv‘) %卷积层
weight = net.layers(layernames{li}).params(1).get_data();
bias = net.layers(layernames{li}).params(2).get_data();
%归一化
weight = weight-min(weight(:));
weight = weight./max(weight(:));
[ker_h,ker_w,prev_outnum,this_outnum] = size(weight);
[grid_h,grid_w] = getgridsize(prev_outnum);
for thisi=1:this_outnum
weight_map = zeros(magnifys*ker_h*grid_h+grid_h,magnifys*ker_w*grid_w+grid_w);
for gridhi=1:grid_h
for gridwi=1:grid_w
weight_map((gridhi-1)*(magnifys*ker_h+1)+1:gridhi*(magnifys*ker_h+1)-1,(gridwi-1)*(magnifys*ker_w+1)+1:gridwi*(magnifys*ker_w+1)-1)=imresize(weight(:,:,(gridhi-1)*grid_w+gridwi,thisi),magnifys,‘nearest‘);
end
end
imwrite(uint8(weight_map(1:end-1,1:end-1)*255),sprintf(‘layer_%s_this_%d.bmp‘,layernames{li},thisi));
end
elseif strcmp(layernames{li}(1:4),‘pool‘) %池化层
%无参，不需要plot
end
end
上述代码中，注意getgridsize是用于确定卷积层中整张大图里卷积核排列的行列数，该函数可以自行发挥。
最后，由于回归分析网络需要结合具体的变量来解释权值图，故只能放一下lenet模型权值可视化的结果啦（只有conv层的，fc层需要结合具体变量）：
输入样本并生成特征图
1、首先随意传入一个样本：
res = net.forward({test_x(1,:)});
注意传入的是一个cell，而不是常见的matrix。前向计算后，在网络各层就会产生特征图。
2、上文中我们都知道，权值数据的获取方式为：
weight = net.layers(layernames{li}).params(1).get_data();
而特征图的获取也类似，为：
featmap = net.blobs(layernames{li}).get_data();
其它代码与权值可视化基本相同，网友们可以自由发挥。
最后，由于回归分析网络需要结合具体的变量来解释特征图，故只能放一下lenet模型特征图可视化的结果啦：
