學習Caffe（二）使用Caffe:Caffe載入模型+Caffe新增新層+Caffe finetune
阿新 • • 發佈：2019-01-07
如何使用Caffe
預備知識
Google Protocol Buffer
https://developers.google.com/protocol-buffers/docs/cpptutorial
Caffe資料的讀取、運算、儲存都是採用Google Protocol Buffer來進行的。PB是一種輕便、高效的結構化資料儲存格式，可以用於結構化資料序列化，很適合做資料儲存或 RPC 資料交換格式。它可用於通訊協議、資料儲存等領域的語言無關、平臺無關、可擴充套件的序列化結構資料格式。是一種效率和相容性都很優秀的二進位制資料傳輸格式，目前提供了 C++、Java、Python 三種語言的 API。Caffe採用的是C++和Python的API。
初始化網路
#include "caffe/caffe.hpp" #include <string> #include <vector> using namespace caffe; char *proto = "H:\\Models\\Caffe\\deploy.prototxt"; /* 載入CaffeNet的配置 */ Phase phase = TEST; /* or TRAIN */ Caffe::set_mode(Caffe::CPU); // Caffe::set_mode(Caffe::GPU); // Caffe::SetDevice(0); //! Note: 後文所有提到的net，都是這個net boost::shared_ptr< Net<float> > net(new caffe::Net<float>(proto, phase));
載入已訓練好的模型
char *model = "H:\\Models\\Caffe\\bvlc_reference_caffenet.caffemodel";
net->CopyTrainedLayersFrom(model);
讀取模型中的每層的結構配置引數
char *model = "H:\\Models\\Caffe\\bvlc_reference_caffenet.caffemodel"; NetParameter param; ReadNetParamsFromBinaryFileOrDie(model, ¶m); int num_layers = param.layer_size(); for (int i = 0; i < num_layers; ++i) { // 結構配置引數:name，type，kernel size，pad，stride等 LOG(ERROR) << "Layer " << i << ":" << param.layer(i).name() << "\t" << param.layer(i).type(); if (param.layer(i).type() == "Convolution") { ConvolutionParameter conv_param = param.layer(i).convolution_param(); LOG(ERROR) << "\t\tkernel size: " << conv_param.kernel_size() << ", pad: " << conv_param.pad() << ", stride: " << conv_param.stride(); } }
讀取影象均值
char *mean_file = "H:\\Models\\Caffe\\imagenet_mean.binaryproto";
Blob<float> image_mean;
BlobProto blob_proto;
const float *mean_ptr;
unsigned int num_pixel;
bool succeed = ReadProtoFromBinaryFile(mean_file, &blob_proto);
if (succeed)
{
image_mean.FromProto(blob_proto);
num_pixel = image_mean.count(); /* NCHW=1x3x256x256=196608 */
mean_ptr = (const float *) image_mean.cpu_data();
}
根據指定資料，前向傳播網路
//! Note: data_ptr指向已經處理好（去均值的，符合網路輸入影象的長寬和Batch Size）的資料
void caffe_forward(boost::shared_ptr< Net<float> > & net, float *data_ptr)
{
Blob<float>* input_blobs = net->input_blobs()[0];
switch (Caffe::mode())
{
case Caffe::CPU:
memcpy(input_blobs->mutable_cpu_data(), data_ptr,
sizeof(float) * input_blobs->count());
break;
case Caffe::GPU:
cudaMemcpy(input_blobs->mutable_gpu_data(), data_ptr,
sizeof(float) * input_blobs->count(), cudaMemcpyHostToDevice);
break;
default:
LOG(FATAL) << "Unknown Caffe mode.";
}
net->ForwardPrefilled();
}
根據Feature層的名字獲取其在網路中的Index
//! Note: Net的Blob是指，每個層的輸出資料，即Feature Maps
// char *query_blob_name = "conv1";
unsigned int get_blob_index(boost::shared_ptr< Net<float> > & net, char *query_blob_name)
{
std::string str_query(query_blob_name);
vector< string > const & blob_names = net->blob_names();
for( unsigned int i = 0; i != blob_names.size(); ++i )
{
if( str_query == blob_names[i] )
{
return i;
}
}
LOG(FATAL) << "Unknown blob name: " << str_query;
}
讀取網路指定Feature層資料
//! Note: 根據CaffeNet的deploy.prototxt檔案，該Net共有15個Blob，從data一直到prob
char *query_blob_name = "conv1"; /* data, conv1, pool1, norm1, fc6, prob, etc */
unsigned int blob_id = get_blob_index(net, query_blob_name);
boost::shared_ptr<Blob<float> > blob = net->blobs()[blob_id];
unsigned int num_data = blob->count(); /* NCHW=10x96x55x55 */
const float *blob_ptr = (const float *) blob->cpu_data();
根據檔案列表，獲取特徵，並存為二進位制檔案
詳見get_features.cpp檔案：
主要包括三個步驟
- 生成檔案列表，格式與訓練用的類似，每行一個影象
包括檔案全路徑、空格、標籤（沒有的話，可以置0）
- 根據train_val或者deploy的prototxt，改寫生成feat.prototxt
主要是將輸入層改為image_data層，最後加上prob和argmax（為了輸出概率和Top1/5預測標籤）
- 根據指定引數，執行程式後會生成若干個二進位制檔案，可以用MATLAB讀取資料，進行分析
根據Layer的名字獲取其在網路中的Index
//! Note: Layer包括神經網路所有層，比如，CaffeNet共有23層
// char *query_layer_name = "conv1";
unsigned int get_layer_index(boost::shared_ptr< Net<float> > & net, char *query_layer_name)
{
std::string str_query(query_layer_name);
vector< string > const & layer_names = net->layer_names();
for( unsigned int i = 0; i != layer_names.size(); ++i )
{
if( str_query == layer_names[i] )
{
return i;
}
}
LOG(FATAL) << "Unknown layer name: " << str_query;
}
讀取指定Layer的權重資料
//! Note: 不同於Net的Blob是Feature Maps，Layer的Blob是指Conv和FC等層的Weight和Bias
char *query_layer_name = "conv1";
const float *weight_ptr, *bias_ptr;
unsigned int layer_id = get_layer_index(net, query_layer_name);
boost::shared_ptr<Layer<float> > layer = net->layers()[layer_id];
std::vector<boost::shared_ptr<Blob<float> >> blobs = layer->blobs();
if (blobs.size() > 0)
{
weight_ptr = (const float *) blobs[0]->cpu_data();
bias_ptr = (const float *) blobs[1]->cpu_data();
}
//! Note: 訓練模式下，讀取指定Layer的梯度資料，與此相似，唯一的區別是將cpu_data改為cpu_diff
修改某層的Weight資料
const float* data_ptr; /* 指向待寫入資料的指標， 源資料指標*/
float* weight_ptr = NULL; /* 指向網路中某層權重的指標，目標資料指標*/
unsigned int data_size; /* 待寫入的資料量 */
char *layer_name = "conv1"; /* 需要修改的Layer名字 */
unsigned int layer_id = get_layer_index(net, query_layer_name);
boost::shared_ptr<Blob<float> > blob = net->layers()[layer_id]->blobs()[0];
CHECK(data_size == blob->count());
switch (Caffe::mode())
{
case Caffe::CPU:
weight_ptr = blob->mutable_cpu_data();
break;
case Caffe::GPU:
weight_ptr = blob->mutable_gpu_data();
break;
default:
LOG(FATAL) << "Unknown Caffe mode";
}
caffe_copy(blob->count(), data_ptr, weight_ptr);
//! Note: 訓練模式下，手動修改指定Layer的梯度資料，與此相似
// mutable_cpu_data改為mutable_cpu_diff，mutable_gpu_data改為mutable_gpu_diff
儲存新的模型
char* weights_file = "bvlc_reference_caffenet_new.caffemodel";
NetParameter net_param;
net->ToProto(&net_param, false);
WriteProtoToBinaryFile(net_param, weights_file);
Caffe中新增新的層
用預訓練網路引數初始化
caffe的引數初始化是根據名字從caffemodel讀取的，只要修改名字，自己想要修改的層就能隨機初始化。
- 修改名字，保留前面幾層的引數，同時後面的引數設定較高的學習率，基礎學習率大概0.00001左右。