Caffe Pythonlayer编写

＃－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－

１．使用方法：

layer{

name:"out-put"

type:"Python"

bottom:"loss"

python_param{

module:.py文件到$PYTHONPATH的相对路径

layer:.py文件具体的类}

}

eg:我的PATHONPATH为caffe/python,我将outputal.py文件放到该目录下，readaclo为我使用的具体方法

layer{

name:"out-put"

type:"Python"

bottom:"loss"

python_param{

module:"outputal"

layer:"readaclo"}

}

＃－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－

２.out-put.py文件的编写：

该文件必须包括setup、reshape、forward、backward,而且只有它们可以调用caffe的bottom与top

自己编写的方法（函数）注意实现要通过setup、reshape、forward、backward调用，并且前面加self

setup()是类启动时该做的事情，比如层所需数据的初始化。
reshape()就是取数据然后把它规范化为四维的矩阵。每次取数据都会调用此函数。
forward()就是网络的前向运行，这里就是把取到的数据往前传递。
backward()就是网络的反馈

importcaffe

importos

importpandas as pd

importnumpy as np

classreadaclo(caffe.Layer):

defsetup(self, bottom, top):

pass

defreshape(self, bottom, top):

pass

defforward(self, bottom, top):

self.read_loss(bottom)

pass

defbackward(self, top, bottom):

pass

defread_loss(self, out_bottom):

ifos.path.exists("1.csv"):

data= pd.DataFrame({'loss': []})

data.to_csv("1.csv",index=False)

data_original=pd.read_csv("1.csv")

#printnp.shape(out_bottom[0].data)

data_midinal=pd.DataFrame({'loss':[out_bottom[0].data]})

data_distination=pd.concat([data_original,data_midinal])

data_distination.to_csv('1.csv',index=False)