segnet进行batch normalize操作时accuracy层报label值无效的问题分析

最新推荐文章于 2022-05-14 16:53:05 发布

brightming

最新推荐文章于 2022-05-14 16:53:05 发布

阅读量2.7k

点赞数

分类专栏：机器学习 caffe 文章标签： caffe

本文链接：https://blog.csdn.net/brightming/article/details/53958645

版权

机器学习同时被 2 个专栏收录

17 篇文章 1 订阅

订阅专栏

caffe

2 篇文章 0 订阅

订阅专栏

问题描述

根据训练出来的权重文件，参考segnet-tutorial的说明，进行batch normalize操作：

python ./Segnet/Scripts/compute_bn_statistics.py ./SegNet/Models/segnet_basic_train.prototxt ./SegNet/Models/Training/segnet_basic_iter_5000.caffemodel ./Segnet/Models/Inference/

出现错误：

03 13:48:10.377765 11423 accuracy_layer.cpp:72] Check failed: label_value < num_labels (11 vs. 11)

原因分析

为什么在训练的时候就没有出错？
一个原因是训练的时候，由于test_iter的设置，一直没有进行test，所以没有进入accuracy层进行处理，这次是在accuracy层报错的。

首先看segnet_basic_train.prototxt文件的最后面的layer的定义：

layer {
  name: "conv_classifier"
  type: "Convolution"
  bottom: "conv_decode1"
  top: "conv_classifier"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 11
    kernel_size: 1
    weight_filler {
      type: "msra"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "conv_classifier"
  bottom: "label"
  top: "loss"
  softmax_param {engine: CAFFE}
  loss_param: {
    weight_by_label_freqs: true
    ignore_label: 11
    class_weighting: 0.2595
    class_weighting: 0.1826
    class_weighting: 4.5640
    class_weighting: 0.1417
    class_weighting: 0.9051
    class_weighting: 0.3826
    class_weighting: 9.6446
    class_weighting: 1.8418
    class_weighting: 0.6823
    class_weighting: 6.2478
    class_weighting: 7.3614
  }
}
layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "conv_classifier"
  bottom: "label"
  top: "accuracy"
  top: "per_class_accuracy"
}

由layer：conv_classifier的filter的个数可以知道，确实是11个类别，所以，label的有效值应该在0-10，但为什么label文件里面会读出11这个数值呢？而且在softmaxloss层也看到了一个参数：

ignore_label: 11

那么就是说，label里确实会出现11这个数值的。

为了验证这个label的数值，在softmax_loss_layer.cu文件进行输出log:

template <typename Dtype>
void SoftmaxWithLossLayer<Dtype>::Forward_gpu(
    const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {
  softmax_layer_->Forward(softmax_bottom_vec_, softmax_top_vec_);
  const Dtype* prob_data = prob_.gpu_data();
  const Dtype* label = bottom[1]->gpu_data();


//---一下新增
  printf("SoftmaxLossForwardGPU has_ignore_label_=%d,bottom[1].0=%d,bottom[1].1=%d,.2=%d,.3=%d\n",has_ignore_label_,bottom[1]->shape(0),bottom[1]->shape(1),
          bottom[1]->shape(2),bottom[1]->shape(3));
  const Dtype* bottom_label=bottom[1]->cpu_data();
  for (int i = 0; i < 1; ++i) {
    for (int j = 0; j < 360*480; ++j) {
      const int label_value =
          static_cast<int>(bottom_label[i * inner_num_ + j]);
      if (has_ignore_label_ && label_value == ignore_label_) {
          printf("ignore SoftmaxLossForwardGPU.label_value=%d\n",label_value);
        continue;
      }else{
          printf("%d ",label_value);
      }
    }
  }
//---以上新增

上面代码是参考accuracy层的写的，因为我的train的batchsize为1,图片的规格为480*360,所以上面的循环就可以那样写。

输出：

4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 ignore SoftmaxLossForwardGPU.label_value=11
4 4 4 4 4 4 4 4 4 4 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 4 ignore SoftmaxLossForwardGPU.label_value=11
ignore SoftmaxLossForwardGPU.label_value=11
ignore SoftmaxLossForwardGPU.label_value=11
ignore SoftmaxLossForwardGPU.label_value=11
ignore SoftmaxLossForwardGPU.label_value=11
4 4 4 4 4 4 ignore SoftmaxLossForwardGPU.label_value=11
ignore SoftmaxLossForwardGPU.label_value=11
ignore SoftmaxLossForwardGPU.label_value=11
ignore SoftmaxLossForwardGPU.label_value=11
ignore SoftmaxLossForwardGPU.label_value=11
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4 4 4 ignore SoftmaxLossForwardGPU.label_value=11
ignore SoftmaxLossForwardGPU.label_value=11

那么可以知道，label的11这个值是确实存在的，就排除了label文件有问题的原因，那么就可以分析为什么softmaxlosslayer没有报错，而accuracy会报错的原因了。
分析了其层定义，可以发现softmaxloss层的参数中有一个定义，ignore_label:11 。
结合softmaxloss的代码：


template <typename Dtype>
__global__ void SoftmaxLossForwardGPU(const int nthreads,
          const Dtype* prob_data, const Dtype* label, 
          const bool weight_by_label_freqs, const float* label_counts,
          Dtype* loss, const int num, const int dim, const int spatial_dim,
          const bool has_ignore_label_, const int ignore_label_,
          Dtype* counts) {
  CUDA_KERNEL_LOOP(index, nthreads) {
    const int n = index / spatial_dim;
    const int s = index % spatial_dim;
    const int label_value = static_cast<int>(label[n * spatial_dim + s]);
    if (has_ignore_label_ && label_value == ignore_label_) {
      loss[index] = 0;
      counts[index] = 0;
    } else {
      loss[index] = -log(max(prob_data[n * dim + label_value * spatial_dim + s],
                      Dtype(FLT_MIN)));
      if (weight_by_label_freqs) {
        loss[index] *= static_cast<Dtype>(label_counts[label_value]);
      }
      counts[index] = 1;
    }
  }
}

可以看到，对于ignore_label，会进行特殊处理了。

在accuracy layer的代码中，也可以看到有对ignore_label的过滤处理：


template <typename Dtype>
void AccuracyLayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom,
    const vector<Blob<Dtype>*>& top) {
  Dtype accuracy = 0;
  const Dtype* bottom_data = bottom[0]->cpu_data();
  const Dtype* bottom_label = bottom[1]->cpu_data();
  const int dim = bottom[0]->count() / outer_num_;
  const int num_labels = bottom[0]->shape(label_axis_);
  vector<Dtype> maxval(top_k_+1);
  vector<int> max_id(top_k_+1);
  vector<Dtype> accuracies(num_labels, 0);
  vector<Dtype> nums(num_labels, 0);

  int count = 0;
  for (int i = 0; i < outer_num_; ++i) {
    for (int j = 0; j < inner_num_; ++j) {
      const int label_value =
          static_cast<int>(bottom_label[i * inner_num_ + j]);
      if (has_ignore_label_ && label_value == ignore_label_) {
        continue;
      }
      DCHECK_GE(label_value, 0);
      DCHECK_LT(label_value, num_labels);

所以，解决这个问题的直接方法就是在accuracy网络层增加这个ignore_label参数。

layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "conv_classifier"
  bottom: "label"
  top: "accuracy"
  top: "per_class_accuracy"
  accuracy_param:{
    ignore_label: 11
  }
}

具体的写法（如accuracy_param这个变量名），参考caffe.proto文件。

结果验证

gumh@gumh-B85M-DS3H-A:~/OpenSource/SegNet$ python ./Scripts/compute_bn_statistics.py ./Models/segnet_basic_train.prototxt ./Models/Training_better/segnet_basic_iter_5000.caffemodel ./Models/Inference/
Building BN calc net...
Calculate BN stats...
WARNING: Logging before InitGoogleLogging() is written to STDERR
I1103 15:02:45.675106 21206 net.cpp:42] Initializing net from parameters: 
name: "segnet"

。。。


I1103 15:02:46.122388 21210 dense_image_data_layer.cpp:201] label values:
progress: 1/367
I1103 15:02:46.472606 21211 dense_image_data_layer.cpp:201] label values:
progress: 2/367

。。。


I1103 15:04:54.483098 21602 dense_image_data_layer.cpp:201] label values:
progress: 364/367
I1103 15:04:54.831765 21603 dense_image_data_layer.cpp:201] label values:
progress: 365/367
I1103 15:04:55.179713 21604 dense_image_data_layer.cpp:201] label values:
progress: 366/367
New data:
[u'conv3_bn', u'conv1_bn', u'conv2_bn', u'conv_decode4_bn', u'conv4_bn', u'conv_decode3_bn', u'conv_decode1_bn', u'conv_decode2_bn']
[u'conv3_bn', u'conv1_bn', u'conv2_bn', u'conv_decode4_bn', u'conv4_bn', u'conv_decode3_bn', u'conv_decode1_bn', u'conv_decode2_bn']
Saving test net weights...
done
gumh@gumh-B85M-DS3H-A:~/OpenSource/SegNet$

为什么会有一个11的label出来呢？这个类别是表示其他的不属于任何以上11中类别的物体。

brightming

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
segnet进行batch normalize操作时accuracy层报label值无效的问题分析

问题描述根据训练出来的权重文件，参考segnet-tutorial的说明，进行batch normalize操作：python ./Segnet/Scripts/compute_bn_statistics.py ./SegNet/Models/segnet_basic_train.prototxt ./SegNet/Models/Training/segnet_basic_iter_5000.caf
复制链接

扫一扫