了解 caffe 之前必須先懂得 這四個東西之間的關係
四個物件是一層包一層的
Blob，Layer，Net，Solve
Blob：是基礎的數據結構，是用來保存學習到的參數以及網絡傳輸過程中產生數據 的類
Layer：是網絡的基本單元，由此派生出了各種層類。修改這部分的人主要是研究特徵表達方向的。
Net：是網絡的搭建，將 Layer 所派生出層類組合成網絡
Solver：是 Net 的求解， 修改這部分人主要會是研究 DL 求解方向的。
通常您有數據 如圖片等資料時
必須把它從 RGB 矩陣模式 轉成Blob 的數據結構
然後再輸進去 layer中做訓練
而很多layer 可以組成 一個網路 例如一個autoencoder
最後我們會寫一個solver 來訓練這網路 告訴它 weight 該怎麼改….bla bla 的~
相信大家還是很模糊 那就跟著小編一步一步的操作吧~
以下所講的都是來自官網資訊 : http://caffe.berkeleyvision.org/
大家有不懂的可以查詢
首先我們先來學如何創造數據吧
1.創造數據庫
移動到caffe 目錄下 執行以下指令
cd $CAFFE_ROOT
執行完後會出現如下圖四個檔案為mnist 壓縮過後的圖檔 以及laybel
./data/mnist/get_mnist.sh
再執行已下指令將 image data 轉成 blob 型式
執行完會出現兩個資料夾 分別是訓練資料以及測試資料
./examples/mnist/create_mnist.sh
2.訓練數據
cd $CAFFE_ROOT
./examples/mnist/train_lenet.sh
跑完產生檔案: lenet_iter_10000.caffemodel lenet_iter_10000.solverstate
第一個檔案為caffe 訓練完的model 包含 weight ,bias 等資訊
第二個檔案可以為後續訓練之用 假如以後想再訓練到20000 iteration 的話 就可以使用此檔
範例如下:
# resume training from the half-way point snapshot
caffe train -solver examples/mnist/lenet_solver.prototxt -snapshot examples/mnist/lenet_iter_5000.solverstate
3.測試數據
當所有數據都訓練好之後，接下來就是如何將模型應用到實際數據了：
cd $CAFFE_ROOT
實際上就只是運行caffe.bin 這個檔案 後面只是運行的參數
橘色代表運行模式 綠色輸入要解決的網路 紅色輸入剛剛訓練出來的weight
./build/tools/caffe test -model=examples/mnist/lenet.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel -gpu=0
如果沒有GPU則使用
./build/tools/caffe test -model=examples/mnist/lenet.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel
4.調用數據
將train 的 網路改成可以輸出的網路 mnist_autoencoder_half
因為我們不需要訓練網路了 所以需要把和data 相關的 layer 都刪掉
做成一個適合當 deploy 的網路
詳細方法可參考官網:
https://github.com/BVLC/caffe/wiki/Using-a-Trained-Network:-Deploy
底下是用python 寫出調用數據的範例:
import caffe
import numpy as np
np.set_printoptions(threshold=’nan’)
#將剛剛改好的網路丟入
MODEL_FILE = ‘mnist_autoencoder_half.prototxt’
#將訓練好的weights 丟入
PRETRAIN_FILE = ‘mnist_autoencoder_iter_65000.caffemodel’
#將上面兩組資料丟入Net
net = caffe.Net(MODEL_FILE, PRETRAIN_FILE, caffe.TEST)
transformer = caffe.io.Transformer({‘data’: net.blobs[‘data’].data.shape})
transformer.set_transpose(‘data’, (2, 0, 1))
transformer.set_raw_scale(‘data’, 255)
net.blobs[‘data’].reshape(1, 1, 28, 28)
#將要測試的圖片丟入 出來的資料為28,28,1三維矩陣
img = caffe.io.load_image(‘cat_28_28.jpg’, color=False)
print “Show the size of image:\n”,img.shape,”\n”
#將矩陣資料轉為Blob 型式
net.blobs[‘data’].data[…] = transformer.preprocess(‘data’, img)
#讓網路執行向前傳遞法 出來的資料型態為blob
out = net.forward()
#底下示範取出資料方法
print “The type of the data come from net is Blob:\n”,out,”\n”
print “We need to convert it to matrix that we can use:\n”,out[net.outputs[0]],“\n”
#藍色部分可以改為要取出的layer 名稱
print “This is second method that can extract any data from any layer:\n”,net.blobs[‘encode4neuron‘].data,”\n”
5.Code 架構理解:
每個layer 內的大概架構說明
layer {
name: “conv1” # 名稱：conv1
type: “Convolution” # 類型：卷積層
bottom: “data” # 輸入層：數據層
top: “conv1” # 輸出層：卷積層1
# 濾波器（filters）的學習速率因子和衰減因子
param { lr_mult: 1 decay_mult: 1 }
# 偏置項（biases）的學習速率因子和衰減因子
param { lr_mult: 2 decay_mult: 0 }
convolution_param {
num_output: 96 # 96個濾波器（filters）
kernel_size: 11 # 每個濾波器（filters）大小為11*11
stride: 4 # 每次濾波間隔為4個像素
weight_filler {
type: “gaussian” # 初始化高斯濾波器（Gaussian）
std: 0.01 # 標準差為0.01， 均值默認為0
}
bias_filler {
type: “constant” # 初始化偏置項（bias）為零
value: 0
}
}
}
分析上面的訓練步驟 共有三個檔案:
一個為:lenet.prototxt
描述網路結構
一個為:lenet_solver.prototxt
描述用何方法求解上述網路結構 檔案內必須包含 lenet_train_test.prototxt
一個為:train_lenet.sh
調用caffe 訓練網路 檔案內必須包含 lenet_solver.prototxt
仔細分析完之後是一個檔案包一個, 先寫網路檔出來
然後再寫網路檔的solver
最後再調用caffe 其實我覺得不用最後一個檔案也可以
因為裡面就只有一句話
./build/tools/caffe train –solver=examples/mnist/lenet_solver.prototxt
就是調用caffe 做訓練模式阿@@ 炯
底下列出三個檔案的內容:
1.lenet.prototxt 檔
name: “LeNet”
******************************************************1
layer {
name: “mnist”
type: “Data”
top: “data”
top: “label”
include {
phase: TRAIN
}
transform_param {
scale: 0.00390625
}
data_param {
source: “examples/mnist/mnist_train_lmdb”
batch_size: 64
backend: LMDB
}
}
*******************************************************2
layer {
name: “mnist”
type: “Data”
top: “data”
top: “label”
include {
phase: TEST
}
transform_param {
scale: 0.00390625
}
data_param {
source: “examples/mnist/mnist_test_lmdb”
batch_size: 100
backend: LMDB
}
}
*********************************************************3
layer {
name: “conv1”
type: “Convolution”
bottom: “data”
top: “conv1”
param {
lr_mult: 1
}
param {
lr_mult: 2
}
convolution_param {
num_output: 20
kernel_size: 5
stride: 1
weight_filler {
type: “xavier”
}
bias_filler {
type: “constant”
}
}
}
**********************************************************4
layer {
name: “pool1”
type: “Pooling”
bottom: “conv1”
top: “pool1”
pooling_param {
pool: MAX
kernel_size: 2
stride: 2
}
}
**********************************************************5
layer {
name: “conv2”
type: “Convolution”
bottom: “pool1”
top: “conv2”
param {
lr_mult: 1
}
param {
lr_mult: 2
}
convolution_param {
num_output: 50
kernel_size: 5
stride: 1
weight_filler {
type: “xavier”
}
bias_filler {
type: “constant”
}
}
}
***********************************************************6
layer {
name: “pool2”
type: “Pooling”
bottom: “conv2”
top: “pool2”
pooling_param {
pool: MAX
kernel_size: 2
stride: 2
}
}
***********************************************************7
layer {
name: “ip1”
type: “InnerProduct”
bottom: “pool2”
top: “ip1”
param {
lr_mult: 1
}
param {
lr_mult: 2
}
inner_product_param {
num_output: 500
weight_filler {
type: “xavier”
}
bias_filler {
type: “constant”
}
}
}
************************************************************8
layer {
name: “relu1”
type: “ReLU”
bottom: “ip1”
top: “ip1”
}
************************************************************9
layer {
name: “ip2”
type: “InnerProduct”
bottom: “ip1”
top: “ip2”
param {
lr_mult: 1
}
param {
lr_mult: 2
}
inner_product_param {
num_output: 10
weight_filler {
type: “xavier”
}
bias_filler {
type: “constant”
}
}
}
***********************************************************10
layer {
name: “accuracy”
type: “Accuracy”
bottom: “ip2”
bottom: “label”
top: “accuracy”
include {
phase: TEST
}
}
************************************************************11
layer {
name: “loss”
type: “SoftmaxWithLoss”
bottom: “ip2”
bottom: “label”
top: “loss”
}
2.lenet_solver.prototxt 檔
# The train/test net protocol buffer definition
net: “examples/mnist/lenet.prototxt“
# test_iter specifies how many forward passes the test should carry out.
# In the case of MNIST, we have test batch size 100 and 100 test iterations,
# covering the full 10,000 testing images.
test_iter: 100
# Carry out testing every 500 training iterations.
test_interval: 500
# The base learning rate, momentum and the weight decay of the network.
base_lr: 0.01
momentum: 0.9
weight_decay: 0.0005
# The learning rate policy
lr_policy: “inv”
gamma: 0.0001
power: 0.75
# Display every 100 iterations
display: 100
# The maximum number of iterations
max_iter: 10000
# snapshot intermediate results
snapshot: 5000
snapshot_prefix: “examples/mnist/lenet”
# solver mode: CPU or GPU
solver_mode: CPU
3.train_lenet.sh
作用:用裡面的內建程式 caffe 執行 lenet_solver.prototxt 檔案
內容:
#!/usr/bin/env sh
./build/tools/caffe train –solver=examples/mnist/lenet_solver.prototxt
請問一下這個有辦法用opencv 來做嗎??
版主回覆：(03/19/2017 11:34:30 PM)
應該是可以喔
可以安裝opencv的 python 包
就可以結合caffe 使用了
您好 我想請問一下 若要微調成自己的分類且已完成訓練的話，例如分男女生兩類，
那麼在synset_words.txt上面調整label的名稱該如何設定呢?
版主回覆：(03/24/2018 05:46:35 PM)
你是在問imagenet的synset_words檔吧?
那個好像是輸出對照而已喔
如果要製作自己的data並做訓練的話
可以參考我的caffe data 製作教學
http://darren1231.pixnet.net/blog/post/328463403-%E5%AD%B8%E6%9C%83%E5%81%9A%E5%87%BA%E8%87%AA%E5%B7%B1%E7%9A%84%E6%95%B8%E6%93%9A%E9%9B%86%28imdb%29–caffe