文章目录
本文主要是对 Caffe 的 python 接口的一些使用记录,并且包含了一些相关的可以参考链接,有需要的同学可以进一步阅读更丰富相关内容,不仅仅是接口的介绍和使用,也有一些复杂场景使用 PyCaffe 去实现,例如需要修改图结构,节点属性等。
注:本文不包括一些基础的用法,例如如何使用配置环境,如何进行网络的训练,绘制曲线,生成 mean file 文件等内容。
如何通过 Pycaffe 创建网络
在实际使用中,prototxt 可以是理解为纯文本内容,虽然可以直接从其他地方 copy 一段过来,修改成自己想要的样子,可是不够优雅。 通过 Pycaffe 的接口可以像 Pytorch 一样随意构建自己的网络结构:
from caffe import layers as L, params as P
# 定义一个 NetSpec 类型对象
n = caffe.NetSpec()
# 开始向 NetSpec 中添加层
n.data = L.Input(shape=[dict(dim=[1,3,224,224])], ntop=1)
n["conv"] = L.Convolution(n.data, num_output=3, kernel_size=3,
weight_filler={"type":"xavier"},
bias_filler={"type":"constant"})
以上就可以构建出一个网络了, prototxt 结构像是这样:
layer {
name: "data"
type: "Input"
top: "data"
input_param {
shape {
dim: 1
dim: 3
dim: 9
dim: 9
}
}
}
layer {
name: "conv"
type: "Convolution"
bottom: "data"
top: "conv"
convolution_param {
num_output: 3
kernel_size: 3
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}
如何保存 Pycaffe 创建的模型
Caffe 的模型分为两个文件组成: prototxt 结构文件和 caffemodel 权重文件。现在我们接着上面的示例代码,以 NetSpec 对象 n
举例:
保存成 prototxt
with open('demo.prototxt', 'w') as f:
f.write(str(n.to_proto()))
这里我们就将 Pycaffe 创建的网络保存到了本地文件,供后续使用。
注意这里构建的网络仅能保存成 prototxt 结构的模型。
prototxt 文件有两个主要用途,一个是作为网络参数结构被读取解析,还有就是用来初始化一个用于训练或者推理的 net 对象。
作为网络参数被解析
from caffe.proto import caffe_pb2
net_param = caffe_pb2.NetParameter()
with open('demo.prototxt', 'rb') as f:
google.protobuf.text_format.Parse(f.read(), net_param)
这里加载进去主要可以利用 protobuf 结构化的读取 prototxt 文件,可以用来查询一些需要的信息,例如节点的名字:
for layer_param in net_param.layer:
# 查询 layer name
layer_name = layer_param.name
# 查询输入,输出的名字
input_name = layer_param.bottom
output_name = layer_param.top
# 查询层的属性及相关数值,以 conv 层为例
pad = layer_param.convolution_param.pad
kernel_size = layer_param.convolution_param.kernel_size
初始化 net 对象
初始化可以提供 caffemodel ,也可以只有一个 prototxt 文件,这样权重就是根据 prototxt 里面的设置随机的。
# 权重随机
net = caffe.Net(proto_file, caffe.TEST)
# 加载权重
net = caffe.Net(proto_file, caffemodel_file, caffe.TEST)
如何修改 Pycaffe 创建模型的参数
Caffe 的数据是以 blob 的数据结构传递的,以上面我们定义的只包含单 conv 的 Net 对象 net
为例:
output = net.blobs['data'].data[...] # 获取节点的输出,输出为 Numpy 节点
conv_weight = net.params['conv'][0].data[...] # 获取节点的参数,输出为 Numpy 节点
conv_bias = net.params['conv'][1].data[...]
如果我们想修改则直接赋值即可:
net.blobs['data'].data[...] = np.random.randn(1,3,9,9) # 修改输出
net.params['conv'][0].data[...] = np.random.randn(3,3,3,3) # 修改权重
注意上面的复制要保证数据的 shape 是能够对上的,如果我们需要保存修改 net params 之后的模型权重,直接 net.save("xxx.caffemodel")
即可。
如何修改网络的输入 shape
当我们输入的 shape 改变,与原先 prototxt 中定义的不同时,可以使用 pycaffe 提供的 reshape 接口:
net.blobs[name].reshape(1,3,5,5) # 只改变单层的数据 shape
net.reshape() # 将新的输入 shape 应用到整个网络所有层
逐层运行 caffe layer
pycaffe 的 net 对象设置好以后可以直接调用 net.forward()
进行前向推理,但是这个整个网络的行为,其实它还有一个隐蔽的接口,可以每次只 forward 一层来实现逐层运行。
for i in range(len(net.layers)):