Caffe 笔记——python接口

一. 生成prototxt文件

这里使用python接口生成prototxt文件，比直接编辑prototxt文件更简洁一些。直接上例子：

from caffe import layers as L
from caffe import params as P
n = caffe.NetSpec()
n.data, n.dummy = L.ImageData(batch_size=batch_size, source=input_data, scale=1./255, ntop=2)
n.silence = L.Silence(n.dummy,ntop=0)
n.conv1a = L.Convolution(n.data, kernel_size=3, num_output=16, stride=2, pad=1, weight_filler=dict(type='xavier'))
n.relu1a = L.ReLU(n.conv1a, in_place=True, negative_slope= 0.2)
n.conv1b = L.Convolution(n.relu1a, kernel_size=3, num_output=16, stride=1, pad=1, weight_filler=dict(type='xavier'))

基本可以大概看出语法。 基本公式为：
n.layername = L.LayerType(bottom, params)
我发现 n['layer_name'] = L.layerType(bottom, **kwards) 也可以。

注意点一
参数部分，除了属于layer_param和与该layer类型一致的param部分可以直接写在里面的，其他要另外列出。比如：

    n.L3_upsampled = L.Deconvolution(n.L3_disp6, convolution_param = dict(kernel_size=2, num_output=8,  stride=2, pad=0, weight_filler=dict(type='xavier')))

这里Deconvolution layer 参数部分由于是convolution_layer, 类型与layer原类型不同，所以不能像上面的convolution layer一样写， 而要单独列出，可以看出其中的weight_filler也是这样单独列出的。

注意点二
如果top数不为1, 需要增加一个参数： ntop.
eg:

n.data, n.dummy = L.ImageData(batch_size=batch_size, source=input_data, scale=1./255, ntop=2)

注意点三
对于caffe中重复的参数，可以用列表传递。

二. Train and Test

• test

model_def = '../model/test.prototxt'
model_weights = '../snapshot/flow_iter_10800.caffemodel'
net = caffe.Net(model_def, model_weights, caffe.TEST)

这样得到了一个net对象

• train

solver = caffe.AdamSolver('./model/solver.prototxt') 

当然Solver有好几种，也都类似。这里得到的solver, 同样包含net对象，即solver.net， 类型同上面test得到的net.

这个net对象就可有用了. 划重点，不知道有什么用的对象，用dir(object)查看属性

>>> dir(solver.net)
 'backward',
 'blob_loss_weights',
 'blobs',
 'bottom_names',
 'copy_from',
 'forward',
 'forward_all',
 'forward_backward_all',
 'inputs',
 'layers',
 'load_hdf5',
 'outputs',
 'params',
 'reshape',
 'save',
 'save_hdf5',
 'set_input_arrays',
 'share_with',
 'top_names']    #此处截取后半段， 

划重点：
1. net.blobs 包含net所有层的数据.
net.blobs['conv1'].data 即可获得conv1层的数据。

2. net.params 包含net所有层的参数，比如weight和bias.
net.params['conv1'][0].data 即可获得conv1层的weight。

这里的到的数据都是numpy的数组。
如果要重新赋值的话只需要将这些数据重新赋值即可。

前向传播
net.forward() net前向传播一次

反向传播
net.backward() net反向传播一次

前向传播加反向传播
solver.step(n) net 前向一次，反向一次，进行n步。