学习Caffe(二)使用Caffe:Caffe加载模型+Caffe添加新层+Caffe finetune
2016-07-17 20:25
495 查看
如何使用Caffe
Caffe教程(http://robots.princeton.edu/courses/COS598/2015sp/slides/Caffe/caffe_tutorial.pdf)预备知识
Google Protocol Buffer
https://developers.google.com/protocol-buffers/docs/cpptutorialCaffe数据的读取、运算、存储都是采用Google Protocol Buffer来进行的。PB是一种轻便、高效的结构化数据存储格式,可以用于结构化数据串行化,很适合做数据存储或 RPC 数据交换格式。它可用于通讯协议、数据存储等领域的语言无关、平台无关、可扩展的序列化结构数据格式。是一种效率和兼容性都很优秀的二进制数据传输格式,目前提供了 C++、Java、Python 三种语言的 API。Caffe采用的是C++和Python的API。
转载自https://github.com/shicai/Caffe_Manual/blob/master/ReadMe.md
初始化网络
#include "caffe/caffe.hpp" #include <string> #include <vector> using namespace caffe; char *proto = "H:\\Models\\Caffe\\deploy.prototxt"; /* 加载CaffeNet的配置 */ Phase phase = TEST; /* or TRAIN */ Caffe::set_mode(Caffe::CPU); // Caffe::set_mode(Caffe::GPU); // Caffe::SetDevice(0); //! Note: 后文所有提到的net,都是这个net boost::shared_ptr< Net<float> > net(new caffe::Net<float>(proto, phase));
加载已训练好的模型
char *model = "H:\\Models\\Caffe\\bvlc_reference_caffenet.caffemodel"; net->CopyTrainedLayersFrom(model);
读取模型中的每层的结构配置参数
char *model = "H:\\Models\\Caffe\\bvlc_reference_caffenet.caffemodel"; NetParameter param; ReadNetParamsFromBinaryFileOrDie(model, ¶m); int num_layers = param.layer_size(); for (int i = 0; i < num_layers; ++i) { // 结构配置参数:name,type,kernel size,pad,stride等 LOG(ERROR) << "Layer " << i << ":" << param.layer(i).name() << "\t" << param.layer(i).type(); if (param.layer(i).type() == "Convolution") { ConvolutionParameter conv_param = param.layer(i).convolution_param(); LOG(ERROR) << "\t\tkernel size: " << conv_param.kernel_size() << ", pad: " << conv_param.pad() << ", stride: " << conv_param.stride(); } }
读取图像均值
char *mean_file = "H:\\Models\\Caffe\\imagenet_mean.binaryproto"; Blob<float> image_mean; BlobProto blob_proto; const float *mean_ptr; unsigned int num_pixel; bool succeed = ReadProtoFromBinaryFile(mean_file, &blob_proto); if (succeed) { image_mean.FromProto(blob_proto); num_pixel = image_mean.count(); /* NCHW=1x3x256x256=196608 */ mean_ptr = (const float *) image_mean.cpu_data(); }
根据指定数据,前向传播网络
//! Note: data_ptr指向已经处理好(去均值的,符合网络输入图像的长宽和Batch Size)的数据 void caffe_forward(boost::shared_ptr< Net<float> > & net, float *data_ptr) { Blob<float>* input_blobs = net->input_blobs()[0]; switch (Caffe::mode()) { case Caffe::CPU: memcpy(input_blobs->mutable_cpu_data(), data_ptr, sizeof(float) * input_blobs->count()); break; case Caffe::GPU: cudaMemcpy(input_blobs->mutable_gpu_data(), data_ptr, sizeof(float) * input_blobs->count(), cudaMemcpyHostToDevice); break; default: LOG(FATAL) << "Unknown Caffe mode."; } net->ForwardPrefilled(); }
根据Feature层的名字获取其在网络中的Index
//! Note: Net的Blob是指,每个层的输出数据,即Feature Maps // char *query_blob_name = "conv1"; unsigned int get_blob_index(boost::shared_ptr< Net<float> > & net, char *query_blob_name) { std::string str_query(query_blob_name); vector< string > const & blob_names = net->blob_names(); for( unsigned int i = 0; i != blob_names.size(); ++i ) { if( str_query == blob_names[i] ) { return i; } } LOG(FATAL) << "Unknown blob name: " << str_query; }
读取网络指定Feature层数据
//! Note: 根据CaffeNet的deploy.prototxt文件,该Net共有15个Blob,从data一直到prob char *query_blob_name = "conv1"; /* data, conv1, pool1, norm1, fc6, prob, etc */ unsigned int blob_id = get_blob_index(net, query_blob_name); boost::shared_ptr<Blob<float> > blob = net->blobs()[blob_id]; unsigned int num_data = blob->count(); /* NCHW=10x96x55x55 */ const float *blob_ptr = (const float *) blob->cpu_data();
根据文件列表,获取特征,并存为二进制文件
详见get_features.cpp文件:主要包括三个步骤
- 生成文件列表,格式与训练用的类似,每行一个图像
包括文件全路径、空格、标签(没有的话,可以置0)
- 根据train_val或者deploy的prototxt,改写生成feat.prototxt
主要是将输入层改为image_data层,最后加上prob和argmax(为了输出概率和Top1/5预测标签)
- 根据指定参数,运行程序后会生成若干个二进制文件,可以用MATLAB读取数据,进行分析
根据Layer的名字获取其在网络中的Index
//! Note: Layer包括神经网络所有层,比如,CaffeNet共有23层 // char *query_layer_name = "conv1"; unsigned int get_layer_index(boost::shared_ptr< Net<float> > & net, char *query_layer_name) { std::string str_query(query_layer_name); vector< string > const & layer_names = net->layer_names(); for( unsigned int i = 0; i != layer_names.size(); ++i ) { if( str_query == layer_names[i] ) { return i; } } LOG(FATAL) << "Unknown layer name: " << str_query; }
读取指定Layer的权重数据
//! Note: 不同于Net的Blob是Feature Maps,Layer的Blob是指Conv和FC等层的Weight和Bias char *query_layer_name = "conv1"; const float *weight_ptr, *bias_ptr; unsigned int layer_id = get_layer_index(net, query_layer_name); boost::shared_ptr<Layer<float> > layer = net->layers()[layer_id]; std::vector<boost::shared_ptr<Blob<float> >> blobs = layer->blobs(); if (blobs.size() > 0) { weight_ptr = (const float *) blobs[0]->cpu_data(); bias_ptr = (const float *) blobs[1]->cpu_data(); } //! Note: 训练模式下,读取指定Layer的梯度数据,与此相似,唯一的区别是将cpu_data改为cpu_diff
修改某层的Weight数据
const float* data_ptr; /* 指向待写入数据的指针, 源数据指针*/ float* weight_ptr = NULL; /* 指向网络中某层权重的指针,目标数据指针*/ unsigned int data_size; /* 待写入的数据量 */ char *layer_name = "conv1"; /* 需要修改的Layer名字 */ unsigned int layer_id = get_layer_index(net, query_layer_name); boost::shared_ptr<Blob<float> > blob = net->layers()[layer_id]->blobs()[0]; CHECK(data_size == blob->count()); switch (Caffe::mode()) { case Caffe::CPU: weight_ptr = blob->mutable_cpu_data(); break; case Caffe::GPU: weight_ptr = blob->mutable_gpu_data(); break; default: LOG(FATAL) << "Unknown Caffe mode"; } caffe_copy(blob->count(), data_ptr, weight_ptr); //! Note: 训练模式下,手动修改指定Layer的梯度数据,与此相似 // mutable_cpu_data改为mutable_cpu_diff,mutable_gpu_data改为mutable_gpu_diff
保存新的模型
char* weights_file = "bvlc_reference_caffenet_new.caffemodel"; NetParameter net_param; net->ToProto(&net_param, false); WriteProtoToBinaryFile(net_param, weights_file);
Caffe中添加新的层
https://github.com/BVLC/caffe/wiki/Development用预训练网络参数初始化
caffe的参数初始化是根据名字从caffemodel读取的,只要修改名字,自己想要修改的层就能随机初始化。修改名字,保留前面几层的参数,同时后面的参数设置较高的学习率,基础学习率大概0.00001左右。
相关文章推荐
- 学习Caffe(一)使用Caffe
- 剑指offer之打印1到最大的n位数
- html table相关标签和属性
- jQuery学习<三> — — 选择器(上)
- TextView设置个别字体样式
- js设计模式总结5
- alert(JSON.stringify(array))
- HTML5结构
- JavaScript设计模式----装饰者模式
- CSS浮动(float,clear)通俗讲解
- JavaScript设计模式----装饰者模式
- ZUFEOJ 2395 天棋哥哥大战AlphGo
- SharedPreferences 工具类
- HTML5新增的非主体元素header元素、footer元素、hgroup元素、adress元素
- 记录小白前端成长01
- HTML5新增的主体元素article、section、nav、aside、time元素和pubdate属性
- C#——对象转换为JSON格式的字符串
- Sublime Text 3如何快速生成HTML5的头部信息和常用的快捷键
- jsp bootstrap表单页面
- JavaScript replace() 方法