【03】caffe网络自定义输入层

通常的情况下，我们遇到的train_val.prototxt文件的输入层都是下面这样的：

name: "CIFAR10_quick"
layer {
  name: "cifar"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    # mirror: true
    # mean_file: "examples/cifar10/mean.binaryproto"uu
    mean_file: "myself/00b/00bmean.binaryproto" 
  }
  data_param {
    # source: "examples/cifar10/cifar10_train_lmdb"
    source: "myself/00b/00b_train_lmdb"
    batch_size: 50
    backend: LMDB
  }
}
layer {
  name: "cifar"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    # mean_file: "examples/cifar10/mean.binaryproto"
    mean_file: "myself/00b/00bmean.binaryproto"
  }
  data_param {
    # source: "examples/cifar10/cifar10_test_lmdb"
    source: "myself/00b/00b_val_lmdb"
    batch_size: 50
    backend: LMDB
  }
}

但是在FCN的网络中我遇到了这样的一个输入层，这显然并不是我们常见的caffe输入层了。

layer {
  name: "data"
  type: "Python"
  top: "data"
  top: "label"
  python_param {
    module: "pascalcontext_layers"  # 模型名称 -- usually the filename
    layer: "PASCALContextSegDataLayer"  # 层名称-- the class name in the module
    param_str: "{\'context_dir\': \'../../data/pascal-context\', \'seed\': 1337, \'split\': \'train\', \'voc_dir\': \'../../data/pascal\'}"  # 这里还指定了一些参数
  }
}

Caffe通过Boost中的Boost.Python模块来支持使用Python定义Layer

原因有两点：

• 使用C++增加新的Layer繁琐、耗时而且很容易出错
• 开发速度与执行速度之间的trade-off

 按照上面的层定义，我们会写一个名称为pascalcontext_layers.py的python文件，文件的类名为PASCALContextSegDataLayer

通常这个类会继承caffe.Layer类，然后必须重写setup()，reshape()，forward()，backward()函数，其他的函数可以自己定义，没有限制。
setup()是类启动时该做的事情，在建立网络的时候只执行一次，一般是读取参数用的，比如层所需数据的初始化，参数检查。
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，因为没有其他运算。
backward()就是网络的反馈，data层作为数据输入层是没有反馈（反向传播过程）的，所以这里就直接pass，参数propagate_down是用来做反向传播控制用的。

那么为什么fcn需要自己定义网络的输入层呢？

有时候需要自己写点输入层以应对各种不同的数据输入，比如是需要在图像中取块而不想写成LMDB，这时候可以考虑使用python直接写一个层。而且输入层不需要GPU加速，写起来也比较容易。详细如何定义输入层可参见fcn源码.