【caffe-Windows】以mnist为例的hdf5单标签处理——matlab实现

前言

主要是想尝试看一下多标签的caffe是如何进行输入输出的，但是目前还未找到基于原始caffe做多标签输入的代码，大部分都是基于源码做了一部分修改实现多标签分类，caffe官网倒是有一个多标签的Python程序，这个我慢慢研究研究，此篇博客先看看单标签的数据格式制作与训练，以hdf5和mnist数据集为例吧

【注】使用hdf5的好处有三个：①相对于前面制作的lmdb和leveldb数据集，用convert的那个代码转换前，一般都要求一张图片一个标签，也就是说猫图片的标签必须是“猫”，而不是”绿“、“猫”，而hdf5的数据格式就能支持后者，一张图片可有多个标签描述。②当我们的数据是非图片类型的，比如一维声音数据，也能用hdf5制作满足caffe输入的数据集。③当程序无法一次性读取太大的数据集，我们可以将数据集分别放到不同的hdf5文件

国际惯例，参考博客：

caffe HDF5Data 层使用及数据生成

解读创建hdf5的matlab程序

在caffe中自带了hdf5的处理程序，我们先来研究研究，然后再套入mnist数据集。

前面说过一个数据集可以放入不同的hdf5文件中，那么我们肯定要现指定当前的数据存在哪个hdf5文件中

filename='trial.h5';

由于自带的程序中没有调用指定数据集，所以事先随机生成了一系列样本

num_total_samples=10000;
% to simulate data being read from disk / generated etc.
data_disk=rand(5,5,1,num_total_samples);
label_disk=rand(10,num_total_samples);

​ 需要注意的是这个数据集的格式，

data_disk

的每个维度分别代表宽、高、通道数、样本数，刚好符合opencv的读取方式，而matlab读取图片的方式是高、宽，与这个刚好相反，所以用自己的数据集记得要翻转前两个维度，待会再说。此外

label_disk

的两个维度分别是标签的单热度编码、样本数，与我们的习惯也相反，我们习惯一行一个标签，而这里是一列是一个样本的标签。

然后我们看看到底是怎么写入文件的？

定义了三个变量，分别是每次读取的数据大小，是否覆盖写入原来的hdf5文件(1/0)

chunksz=100;
created_flag=false;
totalct=0;

看不懂没关系，接着往下读代码

fprintf('batch no. %d\n', batchno);
last_read=(batchno-1)*chunksz;

% to simulate maximum data to be held in memory before dumping to hdf5 file
batchdata=data_disk(:,:,1,last_read+1:last_read+chunksz);
batchlabs=label_disk(:,last_read+1:last_read+chunksz);

这里就是按照事先设置的

chunksz

分批读取数据。比如第一次读取第1-100个数据，第二次就是101-200，以此类推，当然读取数据的时候，虽然从每批的第一个数据(1/101/201…)开始读，但是有时候我们需要从这个数据的第m个样本的第n行第m列开始读，所以提供了这样一个结构体，用于指示读取数据的开始位置

startloc=struct('dat',[1,1,1,totalct+1], 'lab', [1,totalct+1]);

也就是从

totalct+1

个数据的第1行第1列第1个通道开始读取，标签同理

接下来就是存储每批数据到最开始指定的

trial.h5

文件中了

curr_dat_sz=store2hdf5(filename, batchdata, batchlabs, ~created_flag, startloc, chunksz);

有兴趣可以看看

store2hdf5

的源码，这里分别介绍一下几个参数的含义：

filename

：存储的hdf5文件名称

batchdata

：读取的数据，一般是四个维度（宽、高、通道、批大小）

batchlabs

：读取的批数据对应的输出，可以是标签也可以是其它的东东，两维（类别、批大小）

created_flag

：是否覆盖写入(0不覆盖，1覆盖)，一般来说第一个批次肯定是覆盖写入(

~false

=1)

startloc

：前面说的第一个数据开始位置

chunksz

：批大小

curr_dat_sz

：返回值，四维(宽、高、通道、已写入样本数)

接下来两个就是重置3中的下一个读取数据的位置

totalct

和4中的是否覆盖写入为否(0=

~true

)

created_flag=true;% flag set so that file is created only once
totalct=curr_dat_sz(end);% updated dataset size (#samples)

【注】代码灵活多变，请不要循环类似于“为什么函数

store2hdf5

用

~created_flag

而不把非号去掉？”诸如此类的问题。

后面有一行代码用于展示存储的

hdf5

数据情况

h5disp(filename);

自带的程序输出如下，一般我们核对核对大小和样本数就行咯：

HDF5 trial.h5
Group '/'
Dataset 'data'
Size:  5x5x1x10000
MaxSize:  5x5x1xInf
Datatype:   H5T_IEEE_F32LE (single)
ChunkSize:  5x5x1x100
Filters:  none
FillValue:  0.000000
Dataset 'label'
Size:  10x10000
MaxSize:  10xInf
Datatype:   H5T_IEEE_F32LE (single)
ChunkSize:  10x100
Filters:  none
FillValue:  0.000000

这样还不够，我们还得检测一下数据是不是真的是我们输入的数据，也就是一致性

data_rd=h5read(filename, '/data', [1 1 1 1000], [5, 5, 1, 1000]);
label_rd=h5read(filename, '/label', [1 1000], [10, 1000]);
fprintf('Testing ...\n');
try
assert(isequal(data_rd, single(data_disk(:,:,:,1000:1999))), 'Data do not match');
assert(isequal(label_rd, single(label_disk(:,1000:1999))), 'Labels do not match');

fprintf('Success!\n');
catch err
fprintf('Test failed ...\n');
getReport(err)
end

​ 可以发现读取了存储的

trial.h5

文件中从第

[1 1 1 1000]

个数据开始的随后1000个每个大小

[5,5,1]

的数据。其实也就是按照[5,5,1]从第1000个样本的第一个数值读，总共读1000个就行了，即完成了读取第1000-1999的样本数据和标签。随后在

try catch

语句中判断这读出来的和我们原始数据

data_disk

和

label_disk

是不是对应的，是就返回

Success!

，错误的话不仅返回

Test failed ...

而且还有错误原因，非常便于调试。

最后，当然就是指示一下我们的

hdf5

文件名字是什么，为什么用

txt

文档存？因为前面已经说了，一个大的数据集一般存在多个

hdf5

中，换行存储就行。自带源码只存储到了一个

hdf5

文件中，因而对应的

list.txt

存储只有一行，那就是:

trial.h5

在prototxt中使用

hdf5

的方法，其实也就是换掉了type类型和指定

hdf5

存储的

txt

位置

layer {
name: "data"
type: "HDF5Data"
top: "data"
top: "labelvec"
hdf5_data_param {
source: "/path/to/list.txt"
batch_size: 64
}
}

以mnist为实例创建hdf5文件

制作训练集

去显示mnist手写数字这一博文中copy一下

loadMNISTImages

和

loadMNISTLabels

这两个文件，用于读取存储mnist的四个二进制文件，哪四个就不说了吧

t10k-images-idx3-ubyte

、

t10k-labels-idx1-ubyte

、

train-images-idx3-ubyte

、

train-labels-idx1-ubyte

然后按照上面介绍的基本流程分别进行如下修改：

数据集的读取

data = loadMNISTImages('t10k-images-idx3-ubyte')';
labels = loadMNISTLabels('t10k-labels-idx1-ubyte');
num_total_samples=size(data,1);
data_disk=reshape(data,[28,28,1,num_total_samples]);%将数据集读取出来(高*宽*通道*样本数)

图片宽高翻转和标签的行列变换

data_disk=permute(data_disk,[2 1 3 4]);%翻转matlab读取的高宽
label_disk=permute(labels,[2 1]);%转换为caffe标签的输入格式(类别数*总样本数)

验证一致性

data_rd=h5read(filename, '/data', [1 1 1 1000], [28, 28, 1, 1000]);
label_rd=h5read(filename, '/label', [1 1000], [1, 1000]);

附上

train.h5

制作的完整代码，注意

test.h5

的制作相同，只需替换代码中的

train

为

test

以及测试数据对应的二进制文件即可。

%% WRITING TO HDF5
clear
clc
filename='train.h5';%可改test.h5

% data = loadMNISTImages('train-images-idx3-ubyte')';%可改test的数据集
% labels = loadMNISTLabels('train-labels-idx1-ubyte');%可改test的标签
data = loadMNISTImages('train-images-idx3-ubyte')';
labels = loadMNISTLabels('train-labels-idx1-ubyte');
num_total_samples=size(data,1);
data_disk=reshape(data,[28,28,1,num_total_samples]);%将数据集读取出来(高*宽*通道*样本数)
%由于caffe正常的处理方法是opencv读取图片，与matlab的高宽相反
data_disk=permute(data_disk,[2 1 3 4]);%翻转matlab读取的高宽
label_disk=permute(labels,[2 1]);%转换为caffe标签的输入格式(类别数*总样本数)
% num_total_samples=10000;
% to simulate data being read from disk / generated etc.
% data_disk=rand(5,5,1,num_total_samples);
% label_disk=rand(10,num_total_samples);

chunksz=100;
created_flag=false;
totalct=0;
for batchno=1:num_total_samples/chunksz
fprintf('batch no. %d\n', batchno);
last_read=(batchno-1)*chunksz;

% to simulate maximum data to be held in memory before dumping to hdf5 file
batchdata=data_disk(:,:,1,last_read+1:last_read+chunksz);
batchlabs=label_disk(:,last_read+1:last_read+chunksz);

% store to hdf5
startloc=struct('dat',[1,1,1,totalct+1], 'lab', [1,totalct+1]);
curr_dat_sz=store2hdf5(filename, batchdata, batchlabs, ~created_flag, startloc, chunksz);%1代表新建，0代表附加
created_flag=true;% flag set so that file is created only once
totalct=curr_dat_sz(end);% updated dataset size (#samples)
end

% display structure of the stored HDF5 file
h5disp(filename);

%% READING FROM HDF5

% Read data and labels for samples #1000 to 1999
data_rd=h5read(filename, '/data', [1 1 1 1000], [28, 28, 1, 1000]);
label_rd=h5read(filename, '/label', [1 1000], [1, 1000]);
fprintf('Testing ...\n');
try
assert(isequal(data_rd, single(data_disk(:,:,:,1000:1999))), 'Data do not match');
assert(isequal(label_rd, single(label_disk(:,1000:1999))), 'Labels do not match');

fprintf('Success!\n');
catch err
fprintf('Test failed ...\n');
getReport(err)
end

%delete(filename);

% CREATE list.txt containing filename, to be used as source for HDF5_DATA_LAYER
FILE=fopen('train.txt', 'w');%可改test.txt
fprintf(FILE, '%s', filename);
fclose(FILE);
fprintf('HDF5 filename listed in %s \n', 'list.txt');

% NOTE: In net definition prototxt, use list.txt as input to HDF5_DATA as:
% layer {
%   name: "data"
%   type: "HDF5Data"
%   top: "data"
%   top: "labelvec"
%   hdf5_data_param {
%     source: "/path/to/list.txt"
%     batch_size: 64
%   }
% }

运行结果，总共600个batch：

HDF5 test.h5
Group '/'
Dataset 'data'
Size:  28x28x1x60000
MaxSize:  28x28x1xInf
Datatype:   H5T_IEEE_F32LE (single)
ChunkSize:  28x28x1x100
Filters:  none
FillValue:  0.000000
Dataset 'label'
Size:  1x60000
MaxSize:  1xInf
Datatype:   H5T_IEEE_F32LE (single)
ChunkSize:  1x100
Filters:  none
FillValue:  0.000000
Testing ...
Success!
HDF5 filename listed in list.txt

同理制作

test.h5

文件。

以hdf5为输入进行训练

把原始的

lenet_train_test.prototxt

的前两个’layer’改一下：

name: "LeNet"
layer {
name: "mnist"
type: "HDF5Data"
top: "data"
top: "label"
include {
phase: TRAIN
}
hdf5_data_param {
source: "train.txt"
batch_size: 64
}
}
layer {
name: "mnist"
type: "HDF5Data"
top: "data"
top: "label"
include {
phase: TEST
}
hdf5_data_param {
source: "test.txt"
batch_size: 100
}
}

写个

bat

文件训练试试

E:\caffeDEV1\caffe-master\Build\x64\Release\caffe.exe  train --solver=lenet_solver.prototxt
pause

截取了部分运行过程

I0621 11:01:55.571880 10520 solver.cpp:244]     Train net output #0: loss = 2.29
63 (* 1 = 2.2963 loss)
I0621 11:01:55.571880 10520 sgd_solver.cpp:106] Iteration 6600, lr = 0.00683784
I0621 11:01:56.463932 10520 solver.cpp:228] Iteration 6700, loss = 2.29493
I0621 11:01:56.464931 10520 solver.cpp:244]     Train net output #0: loss = 2.29
493 (* 1 = 2.29493 loss)
I0621 11:01:56.464931 10520 sgd_solver.cpp:106] Iteration 6700, lr = 0.00680711
I0621 11:01:57.424986 10520 solver.cpp:228] Iteration 6800, loss = 2.28502
I0621 11:01:57.425987 10520 solver.cpp:244]     Train net output #0: loss = 2.28
502 (* 1 = 2.28502 loss)
I0621 11:01:57.425987 10520 sgd_solver.cpp:106] Iteration 6800, lr = 0.0067767
I0621 11:01:58.465046 10520 solver.cpp:228] Iteration 6900, loss = 2.29951
I0621 11:01:58.466047 10520 solver.cpp:244]     Train net output #0: loss = 2.29
951 (* 1 = 2.29951 loss)
I0621 11:01:58.466047 10520 sgd_solver.cpp:106] Iteration 6900, lr = 0.0067466
I0621 11:01:59.259091 10520 solver.cpp:337] Iteration 7000, Testing net (#0)
I0621 11:01:59.883127 10520 solver.cpp:404]     Test net output #0: accuracy = 0
.1049
I0621 11:01:59.884127 10520 solver.cpp:404]     Test net output #1: loss = 2.385
52 (* 1 = 2.38552 loss)
I0621 11:01:59.889127 10520 solver.cpp:228] Iteration 7000, loss = 2.29426
I0621 11:01:59.889127 10520 solver.cpp:244]     Train net output #0: loss = 2.29
426 (* 1 = 2.29426 loss)
I0621 11:01:59.889127 10520 sgd_solver.cpp:106] Iteration 7000, lr = 0.00671681

好了，附件打包：

程序和

prototxt

以及

bat

下载地址: 链接：http://pan.baidu.com/s/1hr4UM2o 密码：bqiy

mnist手写数字：链接：http://pan.baidu.com/s/1jHYCQJ8 密码：vaeo

后续研究将扩展到多标签中，预先参考文献戳这里

​