【caffe-Windows】以mnist为例的hdf5单标签处理——matlab实现

前言

主要是想尝试看一下多标签的caffe是如何进行输入输出的，但是目前还未找到基于原始caffe做多标签输入的代码，大部分都是基于源码做了一部分修改实现多标签分类，caffe官网倒是有一个多标签的Python程序，这个我慢慢研究研究，此篇博客先看看单标签的数据格式制作与训练，以hdf5和mnist数据集为例吧

【注】使用hdf5的好处有三个：①相对于前面制作的lmdb和leveldb数据集，用convert的那个代码转换前，一般都要求一张图片一个标签，也就是说猫图片的标签必须是“猫”，而不是”绿“、“猫”，而hdf5的数据格式就能支持后者，一张图片可有多个标签描述。②当我们的数据是非图片类型的，比如一维声音数据，也能用hdf5制作满足caffe输入的数据集。③当程序无法一次性读取太大的数据集，我们可以将数据集分别放到不同的hdf5文件

国际惯例，参考博客：

caffe HDF5Data 层使用及数据生成

解读创建hdf5的matlab程序

在caffe中自带了hdf5的处理程序，我们先来研究研究，然后再套入mnist数据集。

• 前面说过一个数据集可以放入不同的hdf5文件中，那么我们肯定要现指定当前的数据存在哪个hdf5文件中

filename='trial.h5';

• 由于自带的程序中没有调用指定数据集，所以事先随机生成了一系列样本

num_total_samples=10000;% to simulate data being read from disk / generated etc.data_disk=rand(5,5,1,num_total_samples); label_disk=rand(10,num_total_samples); 

​ 需要注意的是这个数据集的格式，data_disk的每个维度分别代表宽、高、通道数、样本数，刚好符合opencv的读取方式，而matlab读取图片的方式是高、宽，与这个刚好相反，所以用自己的数据集记得要翻转前两个维度，待会再说。此外label_disk的两个维度分别是标签的单热度编码、样本数，与我们的习惯也相反，我们习惯一行一个标签，而这里是一列是一个样本的标签。

然后我们看看到底是怎么写入文件的？

1. 定义了三个变量，分别是每次读取的数据大小，是否覆盖写入原来的hdf5文件(1/0)

   chunksz=100;created_flag=false;totalct=0;

   看不懂没关系，接着往下读代码

   fprintf('batch no. %d\n', batchno); last_read=(batchno-1)*chunksz; % to simulate maximum data to be held in memory before dumping to hdf5 file  batchdata=data_disk(:,:,1,last_read+1:last_read+chunksz);  batchlabs=label_disk(:,last_read+1:last_read+chunksz);

   这里就是按照事先设置的chunksz分批读取数据。比如第一次读取第1-100个数据，第二次就是101-200，以此类推，当然读取数据的时候，虽然从每批的第一个数据(1/101/201…)开始读，但是有时候我们需要从这个数据的第m个样本的第n行第m列开始读，所以提供了这样一个结构体，用于指示读取数据的开始位置

   startloc=struct('dat',[1,1,1,totalct+1], 'lab', [1,totalct+1]);

   也就是从totalct+1个数据的第1行第1列第1个通道开始读取，标签同理

2. 接下来就是存储每批数据到最开始指定的trial.h5文件中了

   curr_dat_sz=store2hdf5(filename, batchdata, batchlabs, ~created_flag, startloc, chunksz); 

   有兴趣可以看看store2hdf5的源码，这里分别介绍一下几个参数的含义：

   • filename：存储的hdf5文件名称
   • batchdata：读取的数据，一般是四个维度（宽、高、通道、批大小）
   • batchlabs：读取的批数据对应的输出，可以是标签也可以是其它的东东，两维（类别、批大小）
   • created_flag：是否覆盖写入(0不覆盖，1覆盖)，一般来说第一个批次肯定是覆盖写入(~false=1)
   • startloc：前面说的第一个数据开始位置
   • chunksz：批大小
   • curr_dat_sz：返回值，四维(宽、高、通道、已写入样本数)

3. 接下来两个就是重置3中的下一个读取数据的位置totalct和4中的是否覆盖写入为否(0=~true)

    created_flag=true;% flag set so that file is created only once totalct=curr_dat_sz(end);% updated dataset size (#samples)

   【注】代码灵活多变，请不要循环类似于“为什么函数store2hdf5用~created_flag而不把非号去掉？”诸如此类的问题。

4. 后面有一行代码用于展示存储的hdf5数据情况

   h5disp(filename);

   自带的程序输出如下，一般我们核对核对大小和样本数就行咯：

   HDF5 trial.h5 Group '/'    Dataset 'data'        Size:  5x5x1x10000       MaxSize:  5x5x1xInf       Datatype:   H5T_IEEE_F32LE (single)       ChunkSize:  5x5x1x100       Filters:  none       FillValue:  0.000000   Dataset 'label'        Size:  10x10000       MaxSize:  10xInf       Datatype:   H5T_IEEE_F32LE (single)       ChunkSize:  10x100       Filters:  none       FillValue:  0.000000

5. 这样还不够，我们还得检测一下数据是不是真的是我们输入的数据，也就是一致性

   data_rd=h5read(filename, '/data', [1 1 1 1000], [5, 5, 1, 1000]);label_rd=h5read(filename, '/label', [1 1000], [10, 1000]);fprintf('Testing ...\n');try  assert(isequal(data_rd, single(data_disk(:,:,:,1000:1999))), 'Data do not match'); assert(isequal(label_rd, single(label_disk(:,1000:1999))), 'Labels do not match'); fprintf('Success!\n');catch err fprintf('Test failed ...\n'); getReport(err)end

   ​ 可以发现读取了存储的trial.h5文件中从第[1 1 1 1000]个数据开始的随后1000个每个大小[5,5,1]的数据。其实也就是按照[5,5,1]从第1000个样本的第一个数值读，总共读1000个就行了，即完成了读取第1000-1999的样本数据和标签。随后在try catch语句中判断这读出来的和我们原始数据data_disk和label_disk是不是对应的，是就返回Success!，错误的话不仅返回Test failed ...而且还有错误原因，非常便于调试。

6. 最后，当然就是指示一下我们的hdf5文件名字是什么，为什么用txt文档存？因为前面已经说了，一个大的数据集一般存在多个hdf5中，换行存储就行。自带源码只存储到了一个hdf5文件中，因而对应的list.txt存储只有一行，那就是:

   trial.h5

7. 在prototxt中使用hdf5的方法，其实也就是换掉了type类型和指定hdf5存储的txt位置

   layer { name: "data" type: "HDF5Data" top: "data" top: "labelvec" hdf5_data_param {   source: "/path/to/list.txt"   batch_size: 64 }}

以mnist为实例创建hdf5文件

制作训练集

去显示mnist手写数字这一博文中copy一下loadMNISTImages和loadMNISTLabels这两个文件，用于读取存储mnist的四个二进制文件，哪四个就不说了吧t10k-images-idx3-ubyte、t10k-labels-idx1-ubyte、train-images-idx3-ubyte、train-labels-idx1-ubyte

然后按照上面介绍的基本流程分别进行如下修改：

• 数据集的读取

  data = loadMNISTImages('t10k-images-idx3-ubyte')';labels = loadMNISTLabels('t10k-labels-idx1-ubyte');num_total_samples=size(data,1);data_disk=reshape(data,[28,28,1,num_total_samples]);%将数据集读取出来(高*宽*通道*样本数)

• 图片宽高翻转和标签的行列变换

  data_disk=permute(data_disk,[2 1 3 4]);%翻转matlab读取的高宽label_disk=permute(labels,[2 1]);%转换为caffe标签的输入格式(类别数*总样本数)

• 验证一致性

  data_rd=h5read(filename, '/data', [1 1 1 1000], [28, 28, 1, 1000]);label_rd=h5read(filename, '/label', [1 1000], [1, 1000]);

• 附上train.h5制作的完整代码，注意test.h5的制作相同，只需替换代码中的train为test以及测试数据对应的二进制文件即可。

  %% WRITING TO HDF5clearclcfilename='train.h5';%可改test.h5% data = loadMNISTImages('train-images-idx3-ubyte')';%可改test的数据集% labels = loadMNISTLabels('train-labels-idx1-ubyte');%可改test的标签data = loadMNISTImages('train-images-idx3-ubyte')';labels = loadMNISTLabels('train-labels-idx1-ubyte');num_total_samples=size(data,1);data_disk=reshape(data,[28,28,1,num_total_samples]);%将数据集读取出来(高*宽*通道*样本数)%由于caffe正常的处理方法是opencv读取图片，与matlab的高宽相反data_disk=permute(data_disk,[2 1 3 4]);%翻转matlab读取的高宽label_disk=permute(labels,[2 1]);%转换为caffe标签的输入格式(类别数*总样本数)% num_total_samples=10000;% to simulate data being read from disk / generated etc.% data_disk=rand(5,5,1,num_total_samples); % label_disk=rand(10,num_total_samples); chunksz=100;created_flag=false;totalct=0;for batchno=1:num_total_samples/chunkszfprintf('batch no. %d\n', batchno);last_read=(batchno-1)*chunksz;% to simulate maximum data to be held in memory before dumping to hdf5 file batchdata=data_disk(:,:,1,last_read+1:last_read+chunksz); batchlabs=label_disk(:,last_read+1:last_read+chunksz);% store to hdf5startloc=struct('dat',[1,1,1,totalct+1], 'lab', [1,totalct+1]);curr_dat_sz=store2hdf5(filename, batchdata, batchlabs, ~created_flag, startloc, chunksz); %1代表新建，0代表附加created_flag=true;% flag set so that file is created only oncetotalct=curr_dat_sz(end);% updated dataset size (#samples)end% display structure of the stored HDF5 fileh5disp(filename);%% READING FROM HDF5% Read data and labels for samples #1000 to 1999data_rd=h5read(filename, '/data', [1 1 1 1000], [28, 28, 1, 1000]);label_rd=h5read(filename, '/label', [1 1000], [1, 1000]);fprintf('Testing ...\n');try assert(isequal(data_rd, single(data_disk(:,:,:,1000:1999))), 'Data do not match');assert(isequal(label_rd, single(label_disk(:,1000:1999))), 'Labels do not match');fprintf('Success!\n');catch errfprintf('Test failed ...\n');getReport(err)end%delete(filename);% CREATE list.txt containing filename, to be used as source for HDF5_DATA_LAYERFILE=fopen('train.txt', 'w');%可改test.txtfprintf(FILE, '%s', filename);fclose(FILE);fprintf('HDF5 filename listed in %s \n', 'list.txt');% NOTE: In net definition prototxt, use list.txt as input to HDF5_DATA as: % layer {%   name: "data"%   type: "HDF5Data"%   top: "data"%   top: "labelvec"%   hdf5_data_param {%     source: "/path/to/list.txt"%     batch_size: 64%   }% }

  运行结果，总共600个batch：

  HDF5 test.h5 Group '/'   Dataset 'data'       Size:  28x28x1x60000      MaxSize:  28x28x1xInf      Datatype:   H5T_IEEE_F32LE (single)      ChunkSize:  28x28x1x100      Filters:  none      FillValue:  0.000000  Dataset 'label'       Size:  1x60000      MaxSize:  1xInf      Datatype:   H5T_IEEE_F32LE (single)      ChunkSize:  1x100      Filters:  none      FillValue:  0.000000Testing ...Success!HDF5 filename listed in list.txt 

  同理制作test.h5文件。

  以hdf5为输入进行训练

  把原始的lenet_train_test.prototxt的前两个’layer’改一下：

  name: "LeNet"layer {name: "mnist"type: "HDF5Data"top: "data"top: "label"include {  phase: TRAIN}hdf5_data_param {  source: "train.txt"  batch_size: 64}}layer {name: "mnist"type: "HDF5Data"top: "data"top: "label"include {  phase: TEST}hdf5_data_param {  source: "test.txt"  batch_size: 100}}

  写个bat文件训练试试

  E:\caffeDEV1\caffe-master\Build\x64\Release\caffe.exe  train --solver=lenet_solver.prototxtpause

  截取了部分运行过程

  I0621 11:01:55.571880 10520 solver.cpp:244]     Train net output #0: loss = 2.2963 (* 1 = 2.2963 loss)I0621 11:01:55.571880 10520 sgd_solver.cpp:106] Iteration 6600, lr = 0.00683784I0621 11:01:56.463932 10520 solver.cpp:228] Iteration 6700, loss = 2.29493I0621 11:01:56.464931 10520 solver.cpp:244]     Train net output #0: loss = 2.29493 (* 1 = 2.29493 loss)I0621 11:01:56.464931 10520 sgd_solver.cpp:106] Iteration 6700, lr = 0.00680711I0621 11:01:57.424986 10520 solver.cpp:228] Iteration 6800, loss = 2.28502I0621 11:01:57.425987 10520 solver.cpp:244]     Train net output #0: loss = 2.28502 (* 1 = 2.28502 loss)I0621 11:01:57.425987 10520 sgd_solver.cpp:106] Iteration 6800, lr = 0.0067767I0621 11:01:58.465046 10520 solver.cpp:228] Iteration 6900, loss = 2.29951I0621 11:01:58.466047 10520 solver.cpp:244]     Train net output #0: loss = 2.29951 (* 1 = 2.29951 loss)I0621 11:01:58.466047 10520 sgd_solver.cpp:106] Iteration 6900, lr = 0.0067466I0621 11:01:59.259091 10520 solver.cpp:337] Iteration 7000, Testing net (#0)I0621 11:01:59.883127 10520 solver.cpp:404]     Test net output #0: accuracy = 0.1049I0621 11:01:59.884127 10520 solver.cpp:404]     Test net output #1: loss = 2.38552 (* 1 = 2.38552 loss)I0621 11:01:59.889127 10520 solver.cpp:228] Iteration 7000, loss = 2.29426I0621 11:01:59.889127 10520 solver.cpp:244]     Train net output #0: loss = 2.29426 (* 1 = 2.29426 loss)I0621 11:01:59.889127 10520 sgd_solver.cpp:106] Iteration 7000, lr = 0.00671681

  好了，附件打包：

  程序和prototxt以及bat下载地址: 链接：http://pan.baidu.com/s/1hr4UM2o 密码：bqiy

  mnist手写数字：链接：http://pan.baidu.com/s/1jHYCQJ8 密码：vaeo
  后续研究将扩展到多标签中，预先参考文献戳这里
  ​