Caffe部署中的几个train-test-solver-prototxt-deploy等说明<三>

Caffe部署中的几个train-test-solver-prototxt-deploy等说明<三>

2016-10-13 14:16 147人阅读 评论(0) 收藏 举报


 分类：

caffe（18） 


转载地址： http://blog.csdn.net/lg1259156776/article/details/52550865

1:神经网络中，我们通过最小化神经网络来训练网络，所以在训练时最后一层是损失函数层（LOSS），

在测试时我们通过准确率来评价该网络的优劣，因此最后一层是准确率层（ACCURACY）。

但是当我们真正要使用训练好的数据时，我们需要的是网络给我们输入结果，对于分类问题，我们需要获得分类结果，如下右图最后一层我们得到

的是概率，我们不需要训练及测试阶段的LOSS，ACCURACY层了。

下图是能过$CAFFE_ROOT/Python/draw_net.py绘制$CAFFE_ROOT/models/caffe_reference_caffnet/train_val.prototxt  
, $CAFFE_ROOT/models/caffe_reference_caffnet/deploy.prototxt，分别代表训练时与最后使用时的网络结构。

 





我们一般将train与test放在同一个.prototxt中，需要在data层输入数据的source，

而在使用时.prototxt只需要定义输入图片的大小通道数据参数即可，如下图所示，分别是

$CAFFE_ROOT/models/caffe_reference_caffnet/train_val.prototxt   , $CAFFE_ROOT/models/caffe_reference_caffnet/deploy.prototxt的data层

训练时, solver.prototxt中使用的是rain_val.prototxt

[plain] view
plain copy

 





./build/tools/caffe/train -solver ./models/bvlc_reference_caffenet/solver.prototxt  

使用上面训练的网络提取特征，使用的网络模型是deploy.prototxt

[plain] view
plain copy

 





./build/tools/extract_features.bin models/bvlc_refrence_caffenet.caffemodel models/bvlc_refrence_caffenet/deploy.prototxt  

2：

*_train_test.prototxt文件：这是训练与测试网络配置文件

*_deploy.prototxt文件：这是模型构造文件

deploy.prototxt文件书写：
注意在输出层的类型发生了变化一个是SoftmaxWithLoss，另一个是Softmax。另外为了方便区分训练与应用输出，训练是输出时是loss，应用时是prob。

[plain] view
plain copy

 





deploy.prototxt文件代码  

   

name: "CIFAR10_quick"  

 layer {               #该层去掉  

  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  

   }  

 }  

 layer {             #该层去掉  

  name: "cifar"  

   type: "Data"  

   top: "data"  

   top: "label"  

   include {  

     phase: TEST  

   }  

   transform_param {  

     mean_file: "examples/cifar10/mean.binaryproto"  

   }  

   data_param {  

     source: "examples/cifar10/cifar10_test_lmdb"  

     batch_size: 100  

     backend: LMDB  

   }  

 }  

 layer {                        #将下方的weight_filler、bias_filler全部删除  

  name: "conv1"  

   type: "Convolution"  

   bottom: "data"  

   top: "conv1"  

   param {  

     lr_mult: 1  

   }  

   param {  

     lr_mult: 2  

   }  

   convolution_param {  

     num_output: 32  

     pad: 2  

     kernel_size: 5  

     stride: 1  

     weight_filler {  

       type: "gaussian"  

       std: 0.0001  

     }  

     bias_filler {  

       type: "constant"  

     }  

   }  

 }  

 layer {  

   name: "pool1"  

   type: "Pooling"  

   bottom: "conv1"  

   top: "pool1"  

   pooling_param {  

     pool: MAX  

     kernel_size: 3  

     stride: 2  

   }  

 }  

 layer {  

   name: "relu1"  

   type: "ReLU"  

   bottom: "pool1"  

   top: "pool1"  

 }  

 layer {                         #weight_filler、bias_filler删除  

  name: "conv2"  

   type: "Convolution"  

   bottom: "pool1"  

   top: "conv2"  

   param {  

     lr_mult: 1  

   }  

   param {  

     lr_mult: 2  

   }  

   convolution_param {  

     num_output: 32  

     pad: 2  

     kernel_size: 5  

     stride: 1  

     weight_filler {  

       type: "gaussian"  

       std: 0.01  

     }  

     bias_filler {  

       type: "constant"  

     }  

   }  

 }  

 layer {  

   name: "relu2"  

   type: "ReLU"  

   bottom: "conv2"  

   top: "conv2"  

 }  

 layer {  

   name: "pool2"  

   type: "Pooling"  

   bottom: "conv2"  

   top: "pool2"  

   pooling_param {  

     pool: AVE  

     kernel_size: 3  

     stride: 2  

   }  

 }  

 layer {                         #weight_filler、bias_filler删除  

  name: "conv3"  

   type: "Convolution"  

   bottom: "pool2"  

   top: "conv3"  

   param {  

     lr_mult: 1  

   }  

   param {  

     lr_mult: 2  

   }  

   convolution_param {  

     num_output: 64  

     pad: 2  

     kernel_size: 5  

     stride: 1  

     weight_filler {  

       type: "gaussian"  

       std: 0.01  

     }  

     bias_filler {  

       type: "constant"  

     }  

   }  

 }  

 layer {  

   name: "relu3"  

   type: "ReLU"  

   bottom: "conv3"  

   top: "conv3"  

 }  

 layer {  

   name: "pool3"  

   type: "Pooling"  

   bottom: "conv3"  

   top: "pool3"  

   pooling_param {  

     pool: AVE  

     kernel_size: 3  

     stride: 2  

   }  

 }  

 layer {                       #weight_filler、bias_filler删除  

  name: "ip1"  

   type: "InnerProduct"  

   bottom: "pool3"  

   top: "ip1"  

   param {  

     lr_mult: 1  

   }  

   param {  

     lr_mult: 2  

   }  

   inner_product_param {  

     num_output: 64  

     weight_filler {  

       type: "gaussian"  

       std: 0.1  

     }  

     bias_filler {  

       type: "constant"  

     }  

   }  

 }  

 layer {                              # weight_filler、bias_filler删除  

  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: "gaussian"  

       std: 0.1  

     }  

     bias_filler {  

       type: "constant"  

     }  

   }  

 }  

 layer {                                  #将该层删除  

  name: "accuracy"  

   type: "Accuracy"  

   bottom: "ip2"  

   bottom: "label"  

   top: "accuracy"  

   include {  

     phase: TEST  

   }  

 }  

 layer {                                 #修改  

  name: "loss"       #---loss  修改为  prob  

   type: "SoftmaxWithLoss"             # SoftmaxWithLoss 修改为 softmax  

   bottom: "ip2"  

   bottom: "label"          #去掉  

  top: "loss"  

 }