半年前，我在學(xué)習(xí)CAFFE的時(shí)候，為了加深理解，因此寫下了隨筆，有了一系列的caffe學(xué)習(xí)文章。半年過去，很多人問到關(guān)于python接口和可視化的一些問題，現(xiàn)在有點(diǎn)空閑時(shí)間，就再次寫下一些隨筆，大家一起來學(xué)習(xí)。有些重復(fù)的內(nèi)容，我就不再多講，如果大家有興趣可移步：

如何配置CAFFE的python接口？

如何將圖片轉(zhuǎn)換成LMDB文件？

如何計(jì)算訓(xùn)練數(shù)據(jù)的均值文件？

以上這些操作都是訓(xùn)練之前的預(yù)處理操作，不管是用什么接口，都要用到。

如何寫配置文件

首先，我們需要掌握的，就是如何寫配置文件，通過下面的代碼來學(xué)習(xí)：

# -*- coding: utf-8 -*-
"""
Spyder Editor
"""
from caffe import layers as L,params as P,to_proto
path='/home/xxx/data/'                    #保存數(shù)據(jù)和配置文件的路徑
train_lmdb=path+'train_db'                #訓(xùn)練數(shù)據(jù)LMDB文件的位置
val_lmdb=path+'val_db'                    #驗(yàn)證數(shù)據(jù)LMDB文件的位置
mean_file=path+'mean.binaryproto'         #均值文件的位置
train_proto=path+'train.prototxt'         #生成的訓(xùn)練配置文件保存的位置
val_proto=path+'val.prototxt'             #生成的驗(yàn)證配置文件保存的位置
#編寫一個(gè)函數(shù)，用于生成網(wǎng)絡(luò)
def create_net(lmdb,batch_size,include_acc=False):
    #創(chuàng)建第一層：數(shù)據(jù)層。向上傳遞兩類數(shù)據(jù)：圖片數(shù)據(jù)和對(duì)應(yīng)的標(biāo)簽
    data, label = L.Data(source=lmdb, backend=P.Data.LMDB, batch_size=batch_size, ntop=2,
        transform_param=dict(crop_size=40,mean_file=mean_file,mirror=True))
    #創(chuàng)建第二屋：卷積層
    conv1=L.Convolution(data, kernel_size=5, stride=1,num_output=16, pad=2,weight_filler=dict(type='xavier'))
    #創(chuàng)建激活函數(shù)層
    relu1=L.ReLU(conv1, in_place=True)
    #創(chuàng)建池化層
    pool1=L.Pooling(relu1, pool=P.Pooling.MAX, kernel_size=3, stride=2)
    conv2=L.Convolution(pool1, kernel_size=3, stride=1,num_output=32, pad=1,weight_filler=dict(type='xavier'))
    relu2=L.ReLU(conv2, in_place=True)
    pool2=L.Pooling(relu2, pool=P.Pooling.MAX, kernel_size=3, stride=2)
    #創(chuàng)建一個(gè)全連接層
    fc3=L.InnerProduct(pool2, num_output=1024,weight_filler=dict(type='xavier'))
    relu3=L.ReLU(fc3, in_place=True)
    #創(chuàng)建一個(gè)dropout層
    drop3 = L.Dropout(relu3, in_place=True)
    fc4 = L.InnerProduct(drop3, num_output=10,weight_filler=dict(type='xavier'))
    #創(chuàng)建一個(gè)softmax層
    loss = L.SoftmaxWithLoss(fc4, label)
    if include_acc:             #在訓(xùn)練階段，不需要accuracy層，但是在驗(yàn)證階段，是需要的
        acc = L.Accuracy(fc4, label)
        return to_proto(loss, acc)
    else:
        return to_proto(loss)
def write_net():
    #將以上的設(shè)置寫入到prototxt文件
    with open(train_proto, 'w') as f:
        f.write(str(create_net(train_lmdb,batch_size=64)))
    #寫入配置文件    
    with open(val_proto, 'w') as f:
        f.write(str(create_net(val_lmdb,batch_size=32, include_acc=True)))
if __name__ == '__main__':
    write_net()

通過上面這個(gè)文件的執(zhí)行，我們就會(huì)得到兩個(gè)配置文件：train.prototxt和val.prototxt，分別用于訓(xùn)練階段和驗(yàn)證階段。

圖片轉(zhuǎn)換成LMDB文件

這種方式生成配置文件，必須有個(gè)前提，就是要先把原始圖片轉(zhuǎn)換成LMDB文件才行。如果我們已經(jīng)把原始圖片做成了一個(gè)列表清單（txt文件，一行一張圖片），則可以不用LMDB格式作為輸入數(shù)據(jù)，可以用ImageData作為數(shù)據(jù)源輸入，代碼如下：

# -*- coding: utf-8 -*-
from caffe import layers as L,params as P,to_proto
path='/home/xxx/data/'
train_list=path+'train.txt'
val_list=path+'val.txt'           
train_proto=path+'train.prototxt'   
val_proto=path+'val.prototxt'       
def create_net(img_list,batch_size,include_acc=False):
    data,label=L.ImageData(source=img_list,batch_size=batch_size,new_width=48,new_height=48,ntop=2,
                           transform_param=dict(crop_size=40,mirror=True))
    conv1=L.Convolution(data, kernel_size=5, stride=1,num_output=16, pad=2,weight_filler=dict(type='xavier'))
    relu1=L.ReLU(conv1, in_place=True)
    pool1=L.Pooling(relu1, pool=P.Pooling.MAX, kernel_size=3, stride=2)
    conv2=L.Convolution(pool1, kernel_size=53, stride=1,num_output=32, pad=1,weight_filler=dict(type='xavier'))
    relu2=L.ReLU(conv2, in_place=True)
    pool2=L.Pooling(relu2, pool=P.Pooling.MAX, kernel_size=3, stride=2)
    conv3=L.Convolution(pool2, kernel_size=53, stride=1,num_output=32, pad=1,weight_filler=dict(type='xavier'))
    relu3=L.ReLU(conv3, in_place=True)
    pool3=L.Pooling(relu3, pool=P.Pooling.MAX, kernel_size=3, stride=2)
    fc4=L.InnerProduct(pool3, num_output=1024,weight_filler=dict(type='xavier'))
    relu4=L.ReLU(fc4, in_place=True)
    drop4 = L.Dropout(relu4, in_place=True)
    fc5 = L.InnerProduct(drop4, num_output=7,weight_filler=dict(type='xavier'))
    loss = L.SoftmaxWithLoss(fc5, label)
    if include_acc:             
        acc = L.Accuracy(fc5, label)
        return to_proto(loss, acc)
    else:
        return to_proto(loss)
def write_net():
    #
    with open(train_proto, 'w') as f:
        f.write(str(create_net(train_list,batch_size=64)))
    #    
    with open(val_proto, 'w') as f:
        f.write(str(create_net(val_list,batch_size=32, include_acc=True)))
if __name__ == '__main__':
    write_net()

即第一層由原來的Data類型，變成了ImageData類型，不需要LMDB文件和均值文件，但需要一個(gè)txt文件。

以上就是caffe的python接口生成配置文件學(xué)習(xí)的詳細(xì)內(nèi)容，更多關(guān)于caffe python接口生成配置文件的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: