DeepLearning（基于caffe）实战项目（10）--Python编写网络配置文件

最新推荐文章于 2023-01-29 17:12:48 发布

四海龙王Black

最新推荐文章于 2023-01-29 17:12:48 发布

阅读量514

点赞数

分类专栏： Caffe实战项目（初级）

本文链接：https://blog.csdn.net/sihailongwang/article/details/73136947

版权

Caffe实战项目（初级）专栏收录该内容

10 篇文章 0 订阅

订阅专栏

你一定有这样一种感受，就是当网络模型层数较少的时候，还可以接受手动写配置文件，当网络层数多了之后，就会自己写的写的就乱了，现在介绍用Python编写配置文件，不仅方便编写，而且观看也比较舒服。

以mnist的LeNet为例，直接上代码：

# encoding: utf-8
#!/usr/bin/python
'''

Created on 2017.06.12
示例：Python生成LeNet,相当于在prototxt文件中创建网络
@Author: DR Xiao

'''
#caffe模块要在Python的路径下;
#这里我们将把caffe 模块添加到Python路径下.
import sys
caffe_root = 'pycaffe'  #该文件要从路径{caffe_root}/examples下运行，否则要调整这一行。
#sys.path.insert(0, caffe_root + 'pycaffe')
sys.path.insert(0, caffe_root)

import caffe
from caffe import layers as L
from caffe import params as P

class LeNet(object):
    def __init__(self,lmdb_train,lmdb_test,num_output):
        self.train_data = lmdb_train
        self.test_data = lmdb_test
        self.class_num = num_output

    def lenet_proto(self,batch_size):
        n = caffe.NetSpec()
        n.data,n.label = L.Data(source=self.train_data,
                                backend=P.Data.LMDB,
                                batch_size=batch_size,
                                ntop=2,
                                transform_param=dict(scale=0.00390625,mirror=False))
        n.conv1 = L.Convolution(n.data,
                                kernel_size=5,
                                num_output=20,
                                stride=1,
                                weight_filler=dict(type='xavier'),
                                bias_filler=dict(type='constant'))
        n.pool1 = L.Pooling(n.conv1,
                            pool=P.Pooling.MAX,
                            kernel_size=2,
                            stride=2)
        n.conv2 = L.Convolution(n.pool1,
                                kernel_size=5,
                                num_output=50,
                                stride=1,
                                weight_filler=dict(type='xavier'),
                                bias_filler=dict(type='constant'))
        n.pool2 = L.Pooling(n.conv2,
                            pool=P.Pooling.MAX,
                            kernel_size=2,
                            stride=2)
        n.ip1 = L.InnerProduct(n.pool2,
                               num_output=500,
                               weight_filler=dict(type='xavier'),
                               bias_filler=dict(type='constant'))
        n.relu1 = L.ReLU(n.ip1,
                         in_place=True)
        n.ip2 = L.InnerProduct(n.relu1,
                               num_output=self.class_num,
                               weight_filler=dict(type='xavier'),
                               bias_filler=dict(type='constant'))
        n.loss = L.SoftmaxWithLoss(n.ip2,n.label)
        return n.to_proto()

if __name__ == '__main__':
    l=LeNet('train_path','test_path',10)
    print l.lenet_proto(128)