Caffe-python interface 学习|网络定义详解
来源:互联网 发布:螺栓预紧力计算软件 编辑:程序博客网 时间:2024/05/16 00:54
之前用的都是caffe的命令行接口,单独训练还行,不过看里面层的参数、数据还是很麻烦的。特别是这周实验遇到了比较大的问题,命令行无能为力,还是要好好看看python接口。
python 接口编译
这个一般在编译caffe时都会顺带完成,如果遇到ImportError: No module named caffe
,可能是没有编译或者没有添加到路径。
编译可以在根目录下make pycaffe
,目录是/caffe/python
。将caffe/python的路径添加到用户环境变量~/.bashrc
中:
export PYTHONPATH=/home/xxx/caffe/python
然后输入sudo ldconfig确认。当然我的服务器没有管理员权限,这时可以每次手动添加目录,见下文。
编译时要在Makefile.config中修改有关路径,除此之外,
WITH_PYTHON_LAYER := 1
也是需要注意的一点,这在f-rcnn中也提到过。
python 接口调用
import syssys.path.append('/home/xxx/caffe/python')#手动添加路径import caffeimport numpy as npfrom skimage import ioimport matplotlib.pyplot as plt
以上可以直接复制好,每次都加上。
运行模式小设置
caffe.set_mode_cpu()#设置为cpu模式caffe.set_device(0)#gpu号caffe.set_mode_gpu()#gpu模式
定义网络
下面是一个例子:
# -*- coding: utf-8 -*-"""Spyder Editor"""from caffe import layers as L,params as P,to_protopath='/home/xxx/data/' #保存数据和配置文件的路径train_lmdb=path+'train_db' #训练数据LMDB文件的位置val_lmdb=path+'val_db' #验证数据LMDB文件的位置mean_file=path+'mean.binaryproto' #均值文件的位置train_proto=path+'train.prototxt' #生成的训练配置文件保存的位置val_proto=path+'val.prototxt' #生成的验证配置文件保存的位置#编写一个函数,用于生成网络def create_net(lmdb,batch_size,include_acc=False): #创建第一层:数据层。向上传递两类数据:图片数据和对应的标签 data, label = L.Data(source=lmdb, backend=P.Data.LMDB, batch_size=batch_size, ntop=2, transform_param=dict(crop_size=40,mean_file=mean_file,mirror=True)) #创建第二屋:卷积层 conv1=L.Convolution(data, kernel_size=5, stride=1,num_output=16, pad=2,weight_filler=dict(type='xavier')) #创建激活函数层 relu1=L.ReLU(conv1, in_place=True) #创建池化层 pool1=L.Pooling(relu1, pool=P.Pooling.MAX, kernel_size=3, stride=2) conv2=L.Convolution(pool1, kernel_size=3, stride=1,num_output=32, pad=1,weight_filler=dict(type='xavier')) relu2=L.ReLU(conv2, in_place=True) pool2=L.Pooling(relu2, pool=P.Pooling.MAX, kernel_size=3, stride=2) #创建一个全连接层 fc3=L.InnerProduct(pool2, num_output=1024,weight_filler=dict(type='xavier')) relu3=L.ReLU(fc3, in_place=True) #创建一个dropout层 drop3 = L.Dropout(relu3, in_place=True) fc4 = L.InnerProduct(drop3, num_output=10,weight_filler=dict(type='xavier')) #创建一个softmax层 loss = L.SoftmaxWithLoss(fc4, label) if include_acc: #在训练阶段,不需要accuracy层,但是在验证阶段,是需要的 acc = L.Accuracy(fc4, label) return to_proto(loss, acc) else: return to_proto(loss)def write_net(): #将以上的设置写入到prototxt文件 with open(train_proto, 'w') as f: f.write(str(create_net(train_lmdb,batch_size=64))) #写入配置文件 with open(val_proto, 'w') as f: f.write(str(create_net(val_lmdb,batch_size=32, include_acc=True)))if __name__ == '__main__': write_net()
上面的代码,我们一开始就import了两个包,一个是layers,另一个是params。layers里面包含了Caffe所以内置的层(比如卷积,ReLU等),而params则包含了各种枚举值。
网上很少找到函数详解,自己凭着理解总结一下吧:
数据层
data,label=L.Data( source=lmdb, #数据源,训练数据LMDB文件的位置 backend=P.Data.LMDB, #数据类型,本文是lmdb batch_size=batch_size, #batch大小 ntop=2, #输出数量,本文是data和label,所以是2 transform_param=dict(crop_size=40, #crop大小 mean_file=mean_file, #均值文件 mirror=True #镜像操作 ) )
卷积层
conv1=L.Convolution( data, #数据流入(即从数据层得到的data) kernel_size=5, #卷积核大小 stride=1, #步长 num_output=16, #输出 pad=2, #填零 weight_filler=dict(type='xavier') #权重初始化方式'xavier' )
激活层、dropout层
relu1=L.ReLU( conv1, #数据流入(即从卷积层得到的conv1) in_place=True #in_place ,就地运算,节省存储开销 )drop3=L.Dropout( relu3, #数据流入(即从激活层得到的relu3) in_place=True #in_place ,就地运算,节省存储开销 )
池化层
pool1=L.Pooling( relu1, #数据流入(即从激活层得到的relu1) pool=P.Pooling.MAX, #池化方式:最大池化 kernel_size=3, #池化核大小 stride=2 #步长 )
全连接层
fc3=L.InnerProduct( pool2, #数据流入(即从池化层得到的pool2) num_output=1024, #全连接输出数目 weight_filler=dict(type='xavier') #权重初始化方式'xavier' )
SoftmaxWithLoss层
loss = L.SoftmaxWithLoss( fc4, #数据流入(即从全连接层得到的fc4) label #数据流入(即从数据层得到的label) )
Accuracy层
if include_acc: #在训练阶段,不需要accuracy层,但是在验证阶段,是需要的 acc = L.Accuracy( fc4, label ) return to_proto(loss, acc)else: return to_proto(loss)
总结
上面那种是一层一层往上累加的,最后返回了最后一层。
当然如果直接建一个caffe.NetSpec(),会有一个整体的把握:
def mynet(lmdb, batch_size): n = caffe.NetSpec() ################### n.data, n.label = L.Data(batch_size=batch_size, backend=P.Data.LMDB, source=lmdb, transform_param=dict(scale=1./255), ntop=2) ################### return n.to_proto()
方法的参数中的lmdb是指Caffe支持的数据库的一种,叫lmdb,我们传入数据库的路径即可。而n=caffe.NetSpec()是获取Caffe的一个Net,我们只需不断的填充这个n,最后面把n输出到文件。
在填充的时候要记得加上n.
。
各层的具体参数可以参考caffe.proto
。
caffe的python接口学习(1):生成配置文件
Deep learning tutorial on Caffe technology : basic commands, Python and C++ code.
Caffe学习4-利用caffe.proto自定义自己的网络
- Caffe-python interface 学习|网络定义详解
- Caffe-python interface 学习|网络训练、部署、测试
- Caffe-python interface 学习|网络训练、部署、测试
- Caffe interface:Python
- caffe interface --- python
- caffe 07 win10 使用caffe python接口定义网络配置文件
- Caffe学习:使用pycaffe定义网络
- Caffe学习:使用pycaffe定义网络
- caffe源码学习——用python定义网络时,源代码生成prototxt文件的原理
- 深度学习之caffe 网络定义和相关操作
- Caffe in Python之定义网络结构和添加自定义网络层
- ubuntu14使用python绘制caffe的深度学习网络结构
- caffe学习笔记7-python接口绘制网络结构图
- 【用Python学习Caffe】4. 设计自己的网络结构
- 【用Python学习Caffe】7. 网络结构的修剪
- 3G网络Entity和Interface定义总结
- caffe用python设置网络的Convolution层Pooling层和LRN--caffe学习(4))
- caffe下python网络创建
- 最全的JS判断是否为中文的方法
- Python 学习笔记1-基本数据类型
- bug1
- 【SpringMVC】【国际化】
- 指令<AngularJs>
- Caffe-python interface 学习|网络定义详解
- mysql 修改列为not null 报错Invalid use of NULL value
- 解决<select>的option过多而造成的下拉过长的方法
- 矩阵中的路径
- 最好用的截图软件Faststone Capture 6.9 安装包及注册码
- 找寻数组中的最值
- Fragment懒加载模式
- EventBus使用详解(一)——初步使用EventBus
- 计算机网络五层TCP/IP协议栈小结