imagenet-vgg-verydeep-19.mat 格式解析
VGG pretrained模型地址 下载地址 不过我用的这个beta版本不太一样，但是分析过程是一样的
今天在玩Stanford CS20SI公开课里的一个神经网络style_transfer小模型的时候，用到了vgg pretrained模型，然而，代码里获取weight和bias 是这么写的:
1 | W = vgg_layers[0][layer][0][0][2][0][0] |
摔！这也没注释，完全看不懂啊！ 虽然可以查到vgg的模型信息(下面有个layer configuration的SVG图)，可是对应不上这些索引啊！ 于是把模型下载下来，在ipython里一步一步解析：
1 | import scipy.io |
接下来就是探索格式了。
首先，看一下导入后的模型类型: type(vgg)，嗯，不出所料，是个dict，scipy.io.loadmat的官方文档也有说明，返回类型是个dict。
然后就是看一下有哪些key啦：vgg.keys()，输出有dict_keys(['__header__', '__version__', '__globals__', 'layers', 'classes', 'normalization'])。
看来前三项是meta信息，后面的三样东西是我们需要的，看名字应该分别是层参数，分类信息，正则化参数(像素平均值)。
那么，先看看layers层: layers = vgg['layers']，输出有一大坨，不过看头部足以分析:
1 | array([[array([[(array([[array([[[[0.39416704, -0.08419707, -0.03631314, ... |
顶级array有两个[[所以是两维，每一个维数的元素是array，array内部还有维数，因此可以看出，想要索引出元素确实需要很多index，那么看一下shape：layers.shape，输出是 (1, 43)。
说明虽然有两维，但是第一维是”虚的”，也就是只有一个元素，我们index进去：layers = layers[0]。
根据模型可以知道，这43个元素其实就是对应模型的43层信息(conv1_1, relu, conv1_2…)，
那么看一层就足以，而且我们现在得到了一个有用的index，那就是layer：layers[layer]。
其中layer是layer参数，范围0-42，我们选0看看：layer = layers[0]，从输出可以看出尾部有dtype信息，这个比较重要，记录了元素的标签：
1 | dtype=[('weights', 'O'), ('pad', 'O'), ('type', 'O'), ('name', 'O'), ('stride', 'O')] |
可以看出顶层的array有5个元素，分别是weight(含有bias)，pad(填充元素,无用)，type, name, stride信息。
然后继续看一下shape信息, layer.shape输出是：(1, 1)。说明虽然有两维但是这两维都是”虚的”，也就是只有一个元素，我们直接两次index进去，
应该会得到一个包含5中信息的array，layer = layer[0][0]，现在layer已经是”裸”的了，直接看看len，len(layer)输出是5果然不出所料，
那么已经很清楚了，对应上面的dtype说明，很容易得到weight, bias之类信息，比如layer的name，是第4个(从0开始索引)，那么：name = layer[3]
输出是array(['conv1_1'], dtype='<U7')，果然拿到了name信息，但是这是一个array，想拿到字符串还要再index进去：name = name[0]。
这次输出就是一个字符串元素了：’conv1_1’，看来解析已经成功了。
其他如法炮制，例如weight(含有bias)：weight = layer[0]，看一下weight的shape：weight.shape，输出是: (1, 2)，
再次说明第一维是”虚的”，index进去：weight = weight[0]。注意，这里的weight是广义的weight，也就是包含通常我们说的weight和bias，
所以，分别拿到这两个元素还要再解开一次：
1 | weight, bias = weight |
至此，已经完成了第0层的name, weight, bias解析，那么其他层也一样，改变layer的index即可，但是要注意的是，这是conv层的解析，relu层，fc层有所不同，不过原理一样，在ipython里探索即可。
所以，根据上面总结出layer的name的index顺序：
1 | name = vgg |
weight，bias的index顺序：
1 | weight, bias = vgg |