shicai / caffe_manual

Caffe使用教程

##Caffe使用教程 by Shicai Yang（@星空下的巫师）on 2015/08/06

初始化网络

#include "caffe/caffe.hpp"
#include <string>
#include <vector>
using namespace caffe;

char *proto = "H:\\Models\\Caffe\\deploy.prototxt"; /* 加载CaffeNet的配置 */
Phase phase = TEST; /* or TRAIN */
Caffe::set_mode(Caffe::CPU);
// Caffe::set_mode(Caffe::GPU);
// Caffe::SetDevice(0);

//! Note: 后文所有提到的net，都是这个net
boost::shared_ptr< Net<float> > net(new caffe::Net<float>(proto, phase));

加载已训练好的模型

char *model = "H:\\Models\\Caffe\\bvlc_reference_caffenet.caffemodel";    
net->CopyTrainedLayersFrom(model);

读取模型中的每层的结构配置参数

char *model = "H:\\Models\\Caffe\\bvlc_reference_caffenet.caffemodel";
NetParameter param;
ReadNetParamsFromBinaryFileOrDie(model, &param);
int num_layers = param.layer_size();
for (int i = 0; i < num_layers; ++i)
{
    // 结构配置参数:name，type，kernel size，pad，stride等
    LOG(ERROR) << "Layer " << i << ":" << param.layer(i).name() << "\t" << param.layer(i).type();
    if (param.layer(i).type() == "Convolution")
    {
        ConvolutionParameter conv_param = param.layer(i).convolution_param();
        LOG(ERROR) << "\t\tkernel size: " << conv_param.kernel_size()
            << ", pad: " << conv_param.pad()
            << ", stride: " << conv_param.stride();
    }
}

读取图像均值

char *mean_file = "H:\\Models\\Caffe\\imagenet_mean.binaryproto";
Blob<float> image_mean;
BlobProto blob_proto;
const float *mean_ptr;
unsigned int num_pixel;

bool succeed = ReadProtoFromBinaryFile(mean_file, &blob_proto);
if (succeed)
{
    image_mean.FromProto(blob_proto);
    num_pixel = image_mean.count(); /* NCHW=1x3x256x256=196608 */
    mean_ptr = (const float *) image_mean.cpu_data();
}

根据指定数据，前向传播网络

//! Note: data_ptr指向已经处理好（去均值的，符合网络输入图像的长宽和Batch Size）的数据
void caffe_forward(boost::shared_ptr< Net<float> > & net, float *data_ptr)
{
    Blob<float>* input_blobs = net->input_blobs()[0];
    switch (Caffe::mode())
    {
    case Caffe::CPU:
        memcpy(input_blobs->mutable_cpu_data(), data_ptr,
            sizeof(float) * input_blobs->count());
        break;
    case Caffe::GPU:
        cudaMemcpy(input_blobs->mutable_gpu_data(), data_ptr,
            sizeof(float) * input_blobs->count(), cudaMemcpyHostToDevice);
        break;
    default:
        LOG(FATAL) << "Unknown Caffe mode.";
    } 
    net->ForwardPrefilled();
}

根据Feature层的名字获取其在网络中的Index

//! Note: Net的Blob是指，每个层的输出数据，即Feature Maps
// char *query_blob_name = "conv1";
unsigned int get_blob_index(boost::shared_ptr< Net<float> > & net, char *query_blob_name)
{
    std::string str_query(query_blob_name);    
    vector< string > const & blob_names = net->blob_names();
    for( unsigned int i = 0; i != blob_names.size(); ++i ) 
    { 
        if( str_query == blob_names[i] ) 
        { 
            return i;
        } 
    }
    LOG(FATAL) << "Unknown blob name: " << str_query;
}

读取网络指定Feature层数据

//! Note: 根据CaffeNet的deploy.prototxt文件，该Net共有15个Blob，从data一直到prob    
char *query_blob_name = "conv1"; /* data, conv1, pool1, norm1, fc6, prob, etc */
unsigned int blob_id = get_blob_index(net, query_blob_name);

boost::shared_ptr<Blob<float> > blob = net->blobs()[blob_id];
unsigned int num_data = blob->count(); /* NCHW=10x96x55x55 */
const float *blob_ptr = (const float *) blob->cpu_data();

根据文件列表，获取特征，并存为二进制文件

详见get_features.cpp文件：

主要包括三个步骤

• 生成文件列表，格式与训练用的类似，每行一个图像 包括文件全路径、空格、标签（没有的话，可以置0）
• 根据train_val或者deploy的prototxt，改写生成feat.prototxt 主要是将输入层改为image_data层，最后加上prob和argmax（为了输出概率和Top1/5预测标签）
• 根据指定参数，运行程序后会生成若干个二进制文件，可以用MATLAB读取数据，进行分析

根据Layer的名字获取其在网络中的Index

//! Note: Layer包括神经网络所有层，比如，CaffeNet共有23层
// char *query_layer_name = "conv1";
unsigned int get_layer_index(boost::shared_ptr< Net<float> > & net, char *query_layer_name)
{
    std::string str_query(query_layer_name);    
    vector< string > const & layer_names = net->layer_names();
    for( unsigned int i = 0; i != layer_names.size(); ++i ) 
    { 
        if( str_query == layer_names[i] ) 
        { 
            return i;
        } 
    }
    LOG(FATAL) << "Unknown layer name: " << str_query;
}

读取指定Layer的权重数据

//! Note: 不同于Net的Blob是Feature Maps，Layer的Blob是指Conv和FC等层的Weight和Bias
char *query_layer_name = "conv1";
const float *weight_ptr, *bias_ptr;
unsigned int layer_id = get_layer_index(net, query_layer_name);
boost::shared_ptr<Layer<float> > layer = net->layers()[layer_id];
std::vector<boost::shared_ptr<Blob<float>  >> blobs = layer->blobs();
if (blobs.size() > 0)
{
    weight_ptr = (const float *) blobs[0]->cpu_data();
    bias_ptr = (const float *) blobs[1]->cpu_data();
}

//! Note: 训练模式下，读取指定Layer的梯度数据，与此相似，唯一的区别是将cpu_data改为cpu_diff

修改某层的Weight数据

const float* data_ptr;          /* 指向待写入数据的指针， 源数据指针*/
float* weight_ptr = NULL;       /* 指向网络中某层权重的指针，目标数据指针*/
unsigned int data_size;         /* 待写入的数据量 */
char *layer_name = "conv1";     /* 需要修改的Layer名字 */

unsigned int layer_id = get_layer_index(net, query_layer_name);    
boost::shared_ptr<Blob<float> > blob = net->layers()[layer_id]->blobs()[0];

CHECK(data_size == blob->count());
switch (Caffe::mode())
{
case Caffe::CPU:
    weight_ptr = blob->mutable_cpu_data();
    break;
case Caffe::GPU:
    weight_ptr = blob->mutable_gpu_data();
    break;
default:
    LOG(FATAL) << "Unknown Caffe mode";
}
caffe_copy(blob->count(), data_ptr, weight_ptr);

//! Note: 训练模式下，手动修改指定Layer的梯度数据，与此相似
// mutable_cpu_data改为mutable_cpu_diff，mutable_gpu_data改为mutable_gpu_diff

保存新的模型

char* weights_file = "bvlc_reference_caffenet_new.caffemodel";
NetParameter net_param;
net->ToProto(&net_param, false);
WriteProtoToBinaryFile(net_param, weights_file);

caffe_manual's Issues

不好意思，我是caffe的初學者，想請問一下作者您的程式碼要如何使用?

如果有训练好的模型，作者您提供的代码能把某一层的特征提取出来吗？具体应该如何操作呢？

如何只用cpu跑已经训练好的模型

前辈你好，小白下载了您offer的caffe_manual,并自己新建了工程拷贝进去，但我编译好了的是cpu_only版本的caffe.exe，我现在只想用您的程序测试一下已经训练好的模型，在main函数里面也改成了 Caffe::set_mode(Caffe::CPU);但是仍然报错，全都是说关于cuda的，如：error C1083: 无法打开包括文件: “cublas_v2.h”: No such file or directory ； IntelliSense: 未定义标识符 "cublasHandle_t" d:\caffe-windows-master\include\caffe\common.hpp 等等

而我根本不要用到cuda，怎么解决呢？万分感谢！

想请问一下作者，如何获取不同图像的fc7层特征呢，想用这个特征来训练分类器。

巫师，您好，请问我有两个版本的caffe，想在一个c++工程里面调用，请问怎么能避免link错误冲突呢？

提升train mnist的准确率

博主你好哇，最近我刚入门CNN并安装了Caffe学习深度学习。我想请教一下，当初是如何设计CNN然后达到99.58的准确率呢？有没有办法再进一步提升这个准确率？是否通过增加网络的深度/filter的个数可以达到呢，而这个依据又是啥？非常感谢。

萌新请教 windows

vs下要导入哪些库与头文件啊，安装了caffe是否可以不用再安装opencv了。

我找不到合适版本的caffe，有哪位好心人告诉我下嘛？

我按照shicai说的找了个有vision_layers的caffe但是缺少别的一些东西不能用，但是新版的caffe又没有vision_layer所以，有没有人可以发我一份caffe-master，希望能帮助我下。也可以直接发到我邮箱[email protected]嘻嘻嘻，突然发现把DenseNet的问题提到这里来了

读入一张图如何用caffe进行识别

在c++环境下，读入一张图如何用caffe进行识别，有没有这样的例子可以参考？

一些关于运行test_caffe_manual.cpp的问题

1.请问test_caffe_manual.cpp这个程序是输入图片进行物体分类吗，还是只是进行caffemodel的测试？
2.还有我在windows下vs2013运行您的程序。早前已经配置好caffe的环境，各种第三方库也都基本可以用，一开始是boost的库lib没有加进去提示找不到lib，可是加进去了以后还是会出现【error LNK2019: 无法解析的外部符号 "__declspec(dllimport) public: __thiscall google::base::CheckOpMessageBuilder::CheckOpMessageBuilder(char const *)" (_imp??0CheckOpMessageBuilder@base@google@@QAE@PBD@Z)，该符号在函数 "class std::basic_string<char,struct std::char_traits,class std::allocator >.........】。
我搜索了许多答案，换了boost1.59.0、1.57.0、1.55.0的库，还是会出现无法解析的外部符号。在下不得已来您这寻求解决方法...

如何用已经训练好的模型，实现人脸识别呢，请作者能给讲一下思路么？

如果已经有了deploy.prototxt和weights.caffemodel，还有下面的核心语句，还需要做哪些工作能实现人脸识别呢？