Caffe2 入门教程

最新推荐文章于 2024-08-12 08:30:49 发布

Yan_Joy

最新推荐文章于 2024-08-12 08:30:49 发布

阅读量4.6k

点赞数 1

分类专栏： caffe2 机器学习文章标签： caffe2

本文链接：https://blog.csdn.net/yan_joy/article/details/76696480

版权

机器学习同时被 2 个专栏收录

27 篇文章 0 订阅

订阅专栏

caffe2

3 篇文章 0 订阅

订阅专栏

Caffe2 概念

Caffe2已经发布几个月了，但目前的使用率并不高，相关文档并不完善，与Caffe（1）相比入门较难。本文主要讲解Caffe2的一些概念，由于本人也是新手，仅做参考，欢迎交流。

Tutorials: Intro Tutorial

Blobs and Workspace, Tensors

和Caffe1一样，Caffe2也有Blobs，并也代表着内存中的数据块。大多数的blobs中都含有tensor，就像Tensorflow一样，可以简单视为一种多维数组，具体在python中被视为numpy arrays。

除了tensor还有workspace这一全新概念。下面举个例子，演示一下如何把blobs 添加到 workspace，并取出。Workspace会在你开始使用时初始化。

from caffe2.python import workspace, model_helper
import numpy as np
# 创建三维随机张量
x = np.random.rand(4, 3, 2)
print(x)
print(x.shape)

# 将创建的tensor输入到Workspace中，命名为"my_x"
workspace.FeedBlob("my_x", x)

# 从Workspace中取出数据
x2 = workspace.FetchBlob("my_x")
print(x2)

对比一下x与x2，发现是一样的。

网络与操作符

Caffe2的基本对象是网络(net)。Net 是一种操作符（operators）的图，并每个操作符取输入blobs数据并输出一或多个blobs。
下面的程序块会创建一个简单的模型，包含这些组成：

一个全连接层
- Sigmoid activation with a Softmax
- a CrossEntropy loss

直接组合网络是否乏味，因而最好使用一些有助于创建网络的模型助手。python中使用ModelHelper来帮助我们建立”my first net”网络。ModelHelper将创建两个相互关联的网络：

一个初始化参数 (ref. init_net)
一个运行实际的训练(ref. exec_net)

# 创建随机输入数据
data = np.random.rand(16, 100).astype(np.float32)

# 创建随机标签
label = (np.random.rand(16) * 10).astype(np.int32)

workspace.FeedBlob("data", data)
workspace.FeedBlob("label", label)

我们创建一些随机的输入和输出，并且添加到Workspace中。

# 使用模型助手建立模型
m = model_helper.ModelHelper(name="my first net")

现在使用model_helper创建了我们之前提到的两个网络（init_net，exec_net）。在下面的模型中使用FC操作符添加一个全连接层，但首先我们需要做一些准备工作：创建FC操作符所期望的一些随机数作为权重。接下来，我们可以添加操作，并使用我们创建的权重和偏差blobs。

weight = m.param_init_net.XavierFill([], 'fc_w', shape=[10, 100])
bias = m.param_init_net.ConstantFill([], 'fc_b', shape=[10, ])

在Caffe2中，FC操作符的输入为：数据、权重、偏置。权重和偏置分别使用XavierFill 和ConstantFill初始化，输入为空数组、名称、形状。

fc_1 = m.net.FC(["data", "fc_w", "fc_b"], "fc1")
pred = m.net.Sigmoid(fc_1, "pred")
[softmax, loss] = m.net.SoftmaxWithLoss([pred, "label"], ["softmax", "loss"])

首先创建了内存中的数据和标签的blob（但没有加载数据）。数据和标签第一个维度为16，是一个mini-batch。许多Caffe2的操作符可以通过ModelHelper直接访问，并且可以处理一个mini-batch的输入。
其次，我们通过定义一组操作符来创建一个模型：FC，Sigmoid和SoftmaxWithLoss。注意：在这一点上，运算符没有被执行，你只是创建模型的定义。
Model helper将创建两个网络：m.param_init_net只运行一次。它会初始化所有blob参数，如FC的权重。实际的训练是通过m.net的。这对你来说是透明的，并且会自动运行。

网络定义储存在protobuf中，可以通过net.Proto()查看：

print(str(m.net.Proto()))

输出为：

name: "my first net"
op {
  input: "data"
  input: "fc_w"
  input: "fc_b"
  output: "fc1"
  name: ""
  type: "FC"
}
op {
  input: "fc1"
  output: "pred"
  name: ""
  type: "Sigmoid"
}
op {
  input: "pred"
  input: "label"
  output: "softmax"
  output: "loss"
  name: ""
  type: "SoftmaxWithLoss"
}
external_input: "data"
external_input: "fc_w"
external_input: "fc_b"
external_input: "label"

你也可以查看参数初始网络：

print(str(m.param_init_net.Proto()))

输出为：

name: "my first net_init"
op {
  output: "fc_w"
  name: ""
  type: "XavierFill"
  arg {
    name: "shape"
    ints: 10
    ints: 100
  }
}
op {
  output: "fc_b"
  name: ""
  type: "ConstantFill"
  arg {
    name: "shape"
    ints: 10
  }
}

可以看到有两个操作符可以为FC操作符的权重和偏置点创建随机初始化。
这是Caffe2 API的主要思想：使用Python方便地编写网络来训练模型，将网络传递给C ++代码作为序列化的原始缓冲区，然后让C ++代码运行网络，可以达到最好的性能。

执行

现在，当我们定义了模型训练运算符时，我们可以开始运行它来训练我们的模型。
首先，我们只运行一次param初始化：

workspace.RunNetOnce(m.param_init_net)

注意，像往常一样，这将实际上将param_init_net的protobuf下载到C ++运行。
然后我们创建实际的训练网络：

workspace.CreateNet(m.net)

我们创建一次，然后我们可以有效地运行它多次：

# 运行 100 x 10 次迭代
for j in range(0, 100):
    data = np.random.rand(16, 100).astype(np.float32)
    label = (np.random.rand(16) * 10).astype(np.int32)

    workspace.FeedBlob("data", data)
    workspace.FeedBlob("label", label)

    workspace.RunNet(m.name, 10)   # 运行10次