Caffe卷積神經網絡數據層及參數實例分析

這篇文章主要介紹了Caffe卷積神經網絡數據層及參數實例分析的相關知識，內容詳細易懂，操作簡單快捷，具有一定借鑒價值，相信大家閱讀完這篇Caffe卷積神經網絡數據層及參數實例分析文章都會有所收獲，下面我們一起來看看吧。

引言

要運行caffe，需要先創建一個模型（model)，如比較常用的Lenet,Alex等， 而一個模型由多個屋（layer）構成，每一屋又由許多參數組成。所有的參數都定義在caffe.proto這個文件中。要熟練使用caffe，最重要的就是學會配置文件（prototxt）的編寫。

層有很多種類型，比如Data,Convolution,Pooling等，層之間的數據流動是以Blobs的方式進行。

數據層

今天我們就先介紹一下數據層.

數據層是每個模型的最底層，是模型的入口，不僅提供數據的輸入，也提供數據從Blobs轉換成別的格式進行保存輸出。通常數據的預處理（如減去均值, 放大縮小, 裁剪和鏡像等），也在這一層設置參數實現。

數據來源可以來自高效的數據庫（如LevelDB和LMDB），也可以直接來自于內存。如果不是很注重效率的話，數據也可來自磁盤的hdf5文件和圖片格式文件。

所有的數據層的都具有的公用參數：先看示例

layer {
  name: "cifar"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    mean_file: "examples/cifar10/mean.binaryproto"
  }
  data_param {
    source: "examples/cifar10/cifar10_train_lmdb"
    batch_size: 100
    backend: LMDB
  }
}

name: 表示該層的名稱，可隨意取

type: 層類型，如果是Data，表示數據來源于LevelDB或LMDB。根據數據的來源不同，數據層的類型也不同（后面會詳細闡述）。一般在練習的時候，我們都是采 用的LevelDB或LMDB數據，因此層類型設置為Data。

top或bottom: 每一層用bottom來輸入數據，用top來輸出數據。如果只有top沒有bottom，則此層只有輸出，沒有輸入。反之亦然。如果有多個 top或多個bottom，表示有多個blobs數據的輸入和輸出。

data 與 label: 在數據層中，至少有一個命名為data的top。如果有第二個top，一般命名為label。 這種(data,label)配對是分類模型所必需的。

include: 一般訓練的時候和測試的時候，模型的層是不一樣的。該層（layer）是屬于訓練階段的層，還是屬于測試階段的層，需要用include來指定。如果沒有include參數，則表示該層既在訓練模型中，又在測試模型中。

Transformations: 數據的預處理，可以將數據變換到定義的范圍內。如設置scale為0.00390625，實際上就是1/255, 即將輸入數據由0-255歸一化到0-1之間

其它的數據預處理也在這個地方設置：

transform_param {
    scale: 0.00390625
    mean_file_size: "examples/cifar10/mean.binaryproto"
    # 用一個配置文件來進行均值操作
    mirror: 1  # 1表示開啟鏡像，0表示關閉，也可用ture和false來表示
    # 剪裁一個 227*227的圖塊，在訓練階段隨機剪裁，在測試階段從中間裁剪
    crop_size: 227
  }

后面的data_param部分，就是根據數據的來源不同，來進行不同的設置。

1、數據來自于數據庫（如LevelDB和LMDB）

  層類型（layer type）:Data

必須設置的參數：

  source: 包含數據庫的目錄名稱，如examples/mnist/mnist_train_lmdb

  batch_size: 每次處理的數據個數，如64

可選的參數：

  rand_skip: 在開始的時候，路過某個數據的輸入。通常對異步的SGD很有用。

  backend: 選擇是采用LevelDB還是LMDB, 默認是LevelDB.

示例：

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、數據來自于內存

層類型：MemoryData

必須設置的參數：

 batch_size：每一次處理的數據個數，比如2

 channels：通道數

  height：高度

   width: 寬度

示例：

layer {
  top: "data"
  top: "label"
  name: "memory_data"
  type: "MemoryData"
  memory_data_param{
    batch_size: 2
    height: 100
    width: 100
    channels: 1
  }
  transform_param {
    scale: 0.0078125
    mean_file: "mean.proto"
    mirror: false
  }
}

3、數據來自于HDF5

層類型：HDF5Data

必須設置的參數：

source: 讀取的文件名稱

batch_size: 每一次處理的數據個數

示例：

layer {
  name: "data"
  type: "HDF5Data"
  top: "data"
  top: "label"
  hdf5_data_param {
    source: "examples/hdf5_classification/data/train.txt"
    batch_size: 10
  }
}

4、數據來自于圖片

層類型：ImageData

必須設置的參數：

  source: 一個文本文件的名字，每一行給定一個圖片文件的名稱和標簽（label)

  batch_size: 每一次處理的數據個數，即圖片數

可選參數：

  rand_skip: 在開始的時候，路過某個數據的輸入。通常對異步的SGD很有用。

  shuffle: 隨機打亂順序，默認值為false

  new_height,new_width: 如果設置，則將圖片進行resize

 示例：

layer {
  name: "data"
  type: "ImageData"
  top: "data"
  top: "label"
  transform_param {
    mirror: false
    crop_size: 227
    mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"
  }
  image_data_param {
    source: "examples/_temp/file_list.txt"
    batch_size: 50
    new_height: 256
    new_width: 256
  }
}

5、數據來源于Windows

層類型：WindowData

必須設置的參數：

  source: 一個文本文件的名字

  batch_size: 每一次處理的數據個數，即圖片數

示例：

layer {
  name: "data"
  type: "WindowData"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    mirror: true
    crop_size: 227
    mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"
  }
  window_data_param {
    source: "examples/finetune_pascal_detection/window_file_2007_trainval.txt"
    batch_size: 128
    fg_threshold: 0.5
    bg_threshold: 0.5
    fg_fraction: 0.25
    context_pad: 16
    crop_mode: "warp"
  }
}

關于“Caffe卷積神經網絡數據層及參數實例分析”這篇文章的內容就介紹到這里，感謝各位的閱讀！相信大家對“Caffe卷積神經網絡數據層及參數實例分析”知識都有一定的了解，大家如果還想學習更多知識，歡迎關注億速云行業資訊頻道。