用caffe训练人工神经网络

最新推荐文章于 2019-04-17 17:42:00 发布

原创最新推荐文章于 2019-04-17 17:42:00 发布 · 3.9k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#caffe #机器学习 #人工神经网络

算法专栏收录该内容

23 篇文章

订阅专栏

本文介绍了如何使用Caffe工具构建非卷积神经网络，通过整理数据、转换为lmdb格式，设置solver和train_val prototxt文件，实现了一个全连接网络的训练过程。在训练过程中遇到了多标签与单标签分类的问题，最终成功完成了一次神经网络的训练。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Caffe 是一个做CNN的工具。但是如果我只想搭建一套普通的神经网络，那么应该怎么做呢？这篇文章参考了一下两篇文章来一发CNN搭建神经网络的实验。

http://nbviewer.ipython.org/github/joyofdata/joyofdata-articles/blob/master/deeplearning-with-caffe/Neural-Networks-with-Caffe-on-the-GPU.ipynb

https://github.com/Franck-Dernoncourt/caffe_demos

第一步构建我们的feature,label。我们可以把feature,与label整理成sklearn类似的数据格式。具体格式如下(featureMat是一个list1[list2] list2 是特征向量label是list 表征每个label 当然转换成 numpy.array()好像也可以)总之下如图:

第二步我们需要转换成caffe需要的数据格式,一开始想转换成HDF5格式，后来train这一步出现错误，error提示信息为numberof labels must match number of predictions;查看代码发现之前demo是做多标签的。但是这里需求是一个但标签多类分类(loss为softmax而非cross-entropy)所以我将数据按照lmdb格式组织了起来。

第三步写solver和train_val的prototxt。与model里的prototxt一样，只不过这里没有卷积层，是一个全连接加上tanh的传统神经网络结构。网络结构图奉上：

第四步训练测试。至此完成了caffe普通神经网络的训练…..貌似把人家搞退化了。

最后相关代码奉上：

lmdb生成代码

def load_data_into_lmdb(lmdb_name, features, labels=None):
    env = lmdb.open(lmdb_name, map_size=features.nbytes*2)
    
    features = features[:,:,None,None]
    for i in range(features.shape[0]):
        datum = caffe.proto.caffe_pb2.Datum()
        
        datum.channels = features.shape[1]
        datum.height = 1
        datum.width = 1
        
        if features.dtype == np.int:
            datum.data = features[i].tostring()
        elif features.dtype == np.float: 
            datum.float_data.extend(features[i].flat)
        else:
            raise Exception("features.dtype unknown.")
        
        if labels is not None:
            datum.label = int(labels[i])
        
        str_id = '{:08}'.format(i)
        with env.begin(write=True) as txn:
            txn.put(str_id, datum.SerializeToString())

训练代码

def train(solver_prototxt_filename):
    '''
    Train the ANN
    '''
    caffe.set_mode_cpu()
    solver = caffe.get_solver(solver_prototxt_filename)
    solver.solve()

预测代码

def get_predicted_output(deploy_prototxt_filename, caffemodel_filename, input, net = None):
    '''
    Get the predicted output, i.e. perform a forward pass
    '''
    if net is None:
        net = caffe.Net(deploy_prototxt_filename,caffemodel_filename, caffe.TEST)
        
    out = net.forward(data=input)
    return out[net.outputs[0]]