引言

圖片減去均值后，再進行訓練和測試，會提高速度和精度。因此，一般在各種模型中都會有這個操作。

那么這個均值怎么來的呢，實際上就是計算所有訓練樣本的平均值，計算出來后，保存為一個均值文件，在以后的測試中，就可以直接使用這個均值來相減，而不需要對測試圖片重新計算。

一、二進制格式的均值計算

caffe中使用的均值數據格式是binaryproto, 作者為我們提供了一個計算均值的文件compute_image_mean.cpp，放在caffe根目錄下的tools文件夾里面。

編譯后的可執行體放在 build/tools/ 下面，我們直接調用就可以了

# sudo build/tools/compute_image_mean examples/mnist/mnist_train_lmdb examples/mnist/mean.binaryproto

帶兩個參數：

第一個參數：examples/mnist/mnist_train_lmdb， 表示需要計算均值的數據，格式為lmdb的訓練數據。

第二個參數：examples/mnist/mean.binaryproto， 計算出來的結果保存文件。

二、python格式的均值計算

如果我們要使用python接口，或者我們要進行特征可視化，可能就要用到python格式的均值文件了。首先，我們用lmdb格式的數據，計算出二進制格式的均值，然后，再轉換成python格式的均值。

我們可以編寫一個python腳本來實現：

#!/usr/bin/env python
import numpy as np
import sys,caffe
if len(sys.argv)!=3:
    print "Usage: python convert_mean.py mean.binaryproto mean.npy"
    sys.exit()
blob = caffe.proto.caffe_pb2.BlobProto()
bin_mean = open( sys.argv[1] , 'rb' ).read()
blob.ParseFromString(bin_mean)
arr = np.array( caffe.io.blobproto_to_array(blob) )
npy_mean = arr[0]
np.save( sys.argv[2] , npy_mean )

?將這個腳本保存為convert_mean.py

調用格式為：

# sudo python convert_mean.py mean.binaryproto mean.npy

其中的?mean.binaryproto 就是經過前面步驟計算出來的二進制均值。

mean.npy就是我們需要的python格式的均值。