pycaffe使用（第二篇）——构造网络结构

# -*- coding: UTF-8 -*-
__author__ = 'xuy'


import caffe
import os


import sys


#用来对于图片进行操作


# caffe_root='/home/xuy/caffe'



caffe_root='/home/xuy/caffe'
os.chdir(caffe_root)#将当前的路径换成了~/caffe


sys.path.append(caffe_root+'python')
sys.path.append('/usr/lib/python2.7/dist-packages/')

"""
对于caffe的硬件进行设置：是使用cpu还是使用gpu
"""
USE_GPU=True
if USE_GPU:
    caffe.set_device(0)
    caffe.set_mode_gpu()
else:
    caffe.set_mode_cpu()


print 'Initialized caffe'

net=caffe.NetSpec()

"""

给caffe创建层


层的名字：这个是根据等号左面的第一个函数变量名称而来的，例如net.data,net.label,那么该层的名字就是data
层的类型：这个是根据函数来的,比如说：caffe.layers.Data，那么类型就是data类型，如果是caffe.layers.Convolution,那么类型就是convolution
top(神经网络的输出)，也就是等号的左面，如果有两个top的话，那么就需要指定ntop=2,如果是2个以上，那么就在ntop定义相应的数值
bottom：是函数当中的第一个参数
层的属性：如果需要定义层当中的子属性，那么就需要用到了python当中的字典去定义了


enum DB {
  LEVELDB = 0;
  LMDB = 1;
}

So the backend=1 means LMDB.





"""

batch_size = 64
input_file = "examples/mnist/mnist_train_lmdb"
net.data, net.label = caffe.layers.Data(batch_size=batch_size, source=input_file, ntop=2, backend=1)



"""
This line is equivalent to the prototxt:

layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  data_param {
    source: "examples/mnist/mnist_train_lmdb"
    batch_size: 64
    backend: LMDB
  }
}

"""


"""
name取决于等号左面的第一个变量，因此是conv1
type是取决于caffe.layers.Convolution函数名

bottom是因为第一个参数是net.data，因此bottom:是data类型
top因为左面等号就有1个参数，因此top就一个conv1,因此不用在convolution函数里面写ntop参数了
num_output=20, kernel_size=5,这两个参数是convolution里面的自带参数，因此仅仅加到convolution_param即可
weight_filler以及bias_filler是convolution里面的自定义的参数，因此需要用到python当中的字典来定义

"""
net.conv1 = caffe.layers.Convolution(net.data, num_output=20, kernel_size=5,
                               weight_filler={"type": "xavier"},
                               bias_filler={"type": "constant"})
"""

输出prototxt的结果
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  convolution_param {
    num_output: 20
    kernel_size: 5
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
"""


"""

param={"lr_mult": 2}，是特有的参数，所以需要python字典来定义
num_output=10，是全连接层InnerProduct层自带的，因此直接加入里面即可

"""


net.ip2 = caffe.layers.InnerProduct(net.conv1, num_output=10,param={"lr_mult": 2},)


"""
layer {
  name: "ip2"
  type: "InnerProduct"
  bottom: "conv1"
  top: "ip2"
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 10
  }
}


"""




"""
因为是两个输出层bottom，因此就直接在caffe.layers.SoftmaxWithLoss函数中写入这两个参数即可

"""


net.loss = caffe.layers.SoftmaxWithLoss(net.ip2, net.label)

"""
prototxt的输出
layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "ip2"
  bottom: "label"
  top: "loss"
}

"""


# print str(net.to_proto())#用来输出ptototxt当中的内容

output_file="my_net.prototxt"
with open(output_file,'w') as f:#将该网络结构写入到了/home/xuy/caffe/my_net.prototxt当中
    f.write(str(net.to_proto()))