转载请注明出处：
http://www.cnblogs.com/darkknightzh/p/7419352.html
参考网址：
https://github.com/ethereon/caffe-tensorflow
https://github.com/ethereon/caffe-tensorflow/issues/53
http://blog.csdn.net/zchang81/article/details/76229017
提醒：1. 目前该开源程序不支持caffe中全连接层的bias=false的情况。如果caffe模型全连接层有这种情况，暂时不用往下看了。。。
2. 增加的或者修改的代码用红色字体标注了，因而本文没有使用代码功能。
具体步骤如下：
1. caffe-tensorflow-masterkaffecaffe esolver.py下，增加如下两句：
import sys
sys.path.insert(0, "/home/xxx/caffe/caffe-master/python")
注意：使用的系统是ubuntu14.04。如果caffe和tensorflow都配置好了，这步可能不需要吧。我这边由于caffe配置的有点问题，直接import caffe的话，失败，因而增加了caffe的路径。
2. 默认该开源程序无法处理caffe中的global pooling，默认会提示：
ValueError: Unable to determine kernel parameter!
因而，在caffe-tensorflow-masterkaffelayers.py中，修改class LayerAdapter(object):
class LayerAdapter(object):
def __init__(self, layer, kind):
self.layer = layer
self.kind = kind
self._input_shape = None
@property
def parameters(self):
name = NodeDispatch.get_handler_name(self.kind)
name = '_'.join((name, 'param'))
try:
return getattr(self.layer, name)
except AttributeError:
raise NodeDispatchError('Caffe parameters not found for layer kind: %s' % (self.kind))
@staticmethod
def get_kernel_value(scalar, repeated, idx, default=None):
if scalar:
return scalar
if repeated:
if isinstance(repeated, numbers.Number):
return repeated
if len(repeated) == 1:
# Same value applies to all spatial dimensions
return int(repeated[0])
assert idx < len(repeated)
# Extract the value for the given spatial dimension
return repeated[idx]
if default is None:
raise ValueError('Unable to determine kernel parameter!')
return default
def set_input_shape(self, input_shape):
self._input_shape = input_shape
@property
def kernel_parameters(self):
assert self.kind in (NodeKind.Convolution, NodeKind.Pooling)
params = self.parameters
global_pool = hasattr(params, 'global_pooling')
if params.kernel_size:
k_h = self.get_kernel_value(params.kernel_h, params.kernel_size, 0)
k_w = self.get_kernel_value(params.kernel_w, params.kernel_size, 1)
elif self._input_shape:
k_h, k_w = [self._input_shape.height, self._input_shape.width]
else: #errors out in get_kernel_value function
k_h = self.get_kernel_value(params.kernel_h, params.kernel_size, 0)
k_w = self.get_kernel_value(params.kernel_w, params.kernel_size, 1)
s_h = self.get_kernel_value(params.stride_h, params.stride, 0, default=1)
s_w = self.get_kernel_value(params.stride_w, params.stride, 1, default=1)
p_h = self.get_kernel_value(params.pad_h, params.pad, 0, default=0)
p_w = self.get_kernel_value(params.pad_h, params.pad, 1, default=0)
return KernelParameters(k_h, k_w, s_h, s_w, p_h, p_w)
3. 在caffe-tensorflow-masterkaffeshapes.py中第18行，增加下面代码：
node.layer.set_input_shape(input_shape)
4. 如果要在caffe-tensorflow-masterexamplesimagenet目录下测试转换后的模型，需要将转换后的模型的py文件放到examplesimagenetmodels文件夹内，生成的npy文件放到caffe-tensorflow-masterexamplesimagenet文件夹内，并修改caffe-tensorflow-masterexamplesimagenetmodelshelper.py文件：
1）开头增加：
from aaa import bbb
其中，aaa为生成的py文件（不需要后缀）。bbb为aaa.py文件内生成的class名，如class bbb(Network)
2）根据需要，在std_spec函数结束后，增加新的函数：
def bbb_spec(batch_size=500):
'''Parameters used by bbb and its variants.'''
return DataSpec(batch_size=batch_size, scale_size=256, crop_size=128, isotropic=False)
3）在MODELS中增加新生成的模型名字：
MODELS = (AlexNet, CaffeNet, GoogleNet, NiN, ResNet50, ResNet101, ResNet152, VGG16, bbb)
4）在MODEL_DATA_SPECS中增加新生成模型的初始化信息：
MODEL_DATA_SPECS = {
AlexNet: alexnet_spec(),
CaffeNet: alexnet_spec(),
GoogleNet: std_spec(batch_size=200, isotropic=False),
ResNet50: std_spec(batch_size=25),
ResNet101: std_spec(batch_size=25),
ResNet152: std_spec(batch_size=25),
NiN: std_spec(batch_size=500),
VGG16: std_spec(batch_size=25),
bbb: bbb_spec(batch_size=25)
}
5. 模型转换完之后，如果caffe模型最后还有一个concat层（用于concat之前每个层的特征），而输入的特征均为batch size*featDim类型的2D数组（之前层的concat输入的均为4D的数据，则正常），需要将转换后的模型的这层由
.concat(3, name='concat_feature')
手动改成
.concat(1, name='concat_feature')
原因是，该开源程序貌似无法判断输入数据维度（都没数据呢，哪里去判断。。。），因而默认都设置了从第3维来concat（tensorflow中第0维为batch，第1维为高，第2维为宽，第3维为特征维度）。如果concat的每维均为特征，则此时只是将多个batch size*featDim进行concat，故需要手动将此时的3改为1。不过不涉及到concat多个特征，则不需要修改这里。
6. caffe-tensorflow-masterkaffe ensorflow中map_batch_norm函数修改如下：
def map_batch_norm(self, node):
if not (node.data is None):
scale_offset = len(node.data) == 4
kwargs = {} if scale_offset else {'scale_offset': False}
return MaybeActivated(node, default=False)('batch_normalization', **kwargs)
else:
return MaybeActivated(node, default=False)('batch_normalization', {'scale_offset': False})
7. 目前该开源程序不支持全连接层bias=false的情况，即便修改代码，能够设置bias=false，但是在真正使用模型时，依旧失败。因而这种情况下，或者等大神继续修改代码，或者自己修改代码，或者。。。放弃吧。
8. 转换模型的代码（在caffe-tensorflow-master打开终端）：
./convert.py aaa.prototxt --caffemodel aaa.caffemodel --code-output-path=aaa.py --data-output-path=aaa.npy
注意：
1）prototxt一定要输入。
2）code-output-path若指定则会输出生成的模型文件。
3）caffemodel若指定，则会从该模型中读取模型参数；data-output-path若指定，则会输出对应的模型参数，且需使用该开源程序来载入模型参数。
8. 使用的话（这部分代码不记得能不能用。。。看着修改吧），可以结合caffe-tensorflow-masterexamplesimagenetvalidate.py进行修改。
比如，增加：
import sys
sys.path.insert(0, "/home/xxx/caffe-tensorflow-master/kaffe")
from kaffe.tensorflow import Network
并且：
import models
主程序中：
spec = models.get_data_spec(model_class=models.bbb) # Get the data specifications for the bbb model
input_node = tf.placeholder(tf.float32, shape=(None, img_size, img_size, img_channels)) # Create a placeholder for the input image
net = models.bbb({'data': input_node}) # Construct the network
当使用该模型时：
with tf.Graph().as_default():
with tf.Session() as sess:
net.load(args.model_path, sess) # Load the converted parameters
for i in range(nrof_batches):
# get images
# Perform a forward pass through the network to get the class probabilities
feat = sess.run(net.get_output(), feed_dict={input_node: images})