问caffe / pycaffe的小抄？

EN

pycaffe tests和this file是python编码接口的主要网关。

首先，您希望选择将Caffe与CPU或GPU一起使用。分别调用caffe.set_mode_cpu()或caffe.set_mode_gpu()就足够了。

Net

pycaffe接口公开的主类是Net。它有两个构造函数：

net = caffe.Net('/path/prototxt/descriptor/file', caffe.TRAIN)

它只是创建一个Net (在本例中使用指定用于训练的数据层)，或者

net = caffe.Net('/path/prototxt/descriptor/file', '/path/caffemodel/weights/file', caffe.TEST)

它创建一个Net并自动加载保存在所提供的caffemodel文件中的权重-在本例中使用指定用于测试的数据层。

Net对象有几个属性和方法。可以在here中找到它们。我将只列举我经常使用的那些。

您可以通过Net.blobs访问网络blobs。例如。

data = net.blobs['data'].data
net.blobs['data'].data[...] = my_image
fc7_activations = net.blobs['fc7'].data

您也可以以类似的方式访问参数(权重)。例如。

nice_edge_detectors = net.params['conv1'].data
higher_level_filter = net.params['fc7'].data

好了，现在是时候向网络提供一些数据了。因此，您将使用backward()和forward()方法。因此，如果您想对单个图像进行分类

net.blobs['data'].data[...] = my_image
net.forward() # equivalent to net.forward_all()
softmax_probabilities = net.blobs['prob'].data

如果有人对计算梯度感兴趣，那么backward()方法是等效的。

您可以保存净权重，以便以后重新使用它们。这只是一个

 net.save('/path/to/new/caffemodel/file')

求解器

pycaffe公开的另一个核心组件是Solver。有几种类型的求解器，但为了清楚起见，我将只使用SGDSolver。它是训练咖啡因模型所必需的。可以使用以下命令实例化求解器

solver = caffe.SGDSolver('/path/to/solver/prototxt/file')

Solver将封装您正在训练的网络以及用于测试的网络(如果存在)。请注意，它们通常是相同的网络，只是具有不同的数据层。可以通过以下方式访问这些网络

 training_net = solver.net
 test_net = solver.test_nets[0] # more than one test net is supported

然后，您可以执行求解器迭代，即具有权重更新的向前/向后传递，只需输入

 solver.step(1)

或者运行求解器直到最后一次迭代，

 solver.solve()

其他功能

注意，pycaffe允许您做更多的事情，比如specifying the network architecture through a Python class或creating a new type。这些功能较少使用，但通过阅读测试用例可以很容易地理解它们。

请注意，Flavio Ferrara的答案有一个小问题，可能会让你浪费很多时间：

net.blobs['data'].data[...] = my_image
net.forward()

如果您的第一层是数据类型层，则上面的代码是无效的，因为当调用net.forward()时，它将从第一层开始，然后覆盖您插入的数据my_image。所以它不会显示错误，但会给出完全不相关的输出。正确的方法是指定起始层和结束层，例如：

net.forward(start='conv1', end='fc')

这是一个基于LFW数据集的人脸验证实验的Github存储库，使用pycaffe和一些matlab代码。我想这可能会有很大帮助，特别是caffe_ftr.py文件。

https://github.com/AlfredXiangWu/face_verification_experiment

此外，以下是使用pycaffe进行图像分类的一些简短示例代码：

http://codrspace.com/Jaleyhd/caffe-python-tutorial/ http://prog3.com/sbdm/blog/u011762313/article/details/48342495