caffe-openpose结构

一、openpose自己的网络层

1、数据层

layer {name: "data"                          表示该层名字type: "CPMData"                       层有多种类型，比如：Data、Convolution、Pooling，Data表示数据来源于Leveldb或者LMDBtop: "data"                           每一层用top来输出数据，只有top没有bottom，则这一层只有输出没有输入，反之亦然top: "label"                          如果有多个top和bottom，表示有多个blobs数据的输入输出data_param {source: "/mnt/sdb/xx/COCO_kpt/lmdb"      包含数据库的目录名称batch_size: 10                      每次处理数据的个数backend: LMDB                       选择采用Leveldb还是LMDB，默认采用leveldb}cpm_transform_param {                 自定义层，之后会进行补充stride: 8max_rotate_degree: 40visualize: falsecrop_size_x: 368crop_size_y: 368scale_prob: 1scale_min: 0.5scale_max: 1.1target_dist: 0.6center_perterb_max: 40do_clahe: falsenum_parts: 56np_in_lmdb: 17}
}

2、Eltwise层

layer {name: "weight_stage1_L2"               type: "Eltwise"                        按元素操作层bottom: "conv5_5_CPM_L2"bottom: "heat_weight"top: "weight_stage1_L2"eltwise_param {operation: PROD                      支持三种基本操作：1.PROD - 按元素乘积； 2.SUM - 按元素求和（默认，若实现相减，设置第一个coeff参数为1，第二个coeff参数为-1）； 3.MAX - 保存元素大者}
}

将输入的数据进行点乘的操作，将输入数据‘conv5_5_CPM_L2’与输入数据‘weight_stage1_L2’进行乘积操作

3、损失函数层的相关参数设置---EuclideanLoss层

layer {name: "loss_stage1_L1"                 官方注释：http://caffe.berkeleyvision.org/tutorial/layers/euclideanloss.htmltype: "EuclideanLoss"                  源码分析：https://blog.csdn.net/seashell_9/article/details/68064294bottom: "weight_stage1_L1"bottom: "label_vec"top: "loss_stage1_L1"loss_weight: 1                         默认为1
}

caffe中的loss函数类型定义及确定要将哪两层的数据进行loss计算

4、slice层

layer {name: "vec_weight"type: "Slice"bottom: "label"top: "vec_weight"top: "heat_weight"top: "vec_temp"top: "heat_temp"slice_param {slice_point: 38slice_point: 57slice_point: 95axis: 1}
}具体参数解析参考博客https://blog.csdn.net/wfei101/article/details/78449265

Slice layer 的作用是将bottom按照需要分解成多个tops

5、silence2层

layer {name: "silence2"type: "Silence"bottom: "center_map"
}参考http://caffecn.cn/?/question/945

将上一层的输出接过来，防止caffe会将数据print出来

二、VGG19前十层（实际是12层）

1、卷积层

layer {name: "conv1_1"                        #表示该层的名称type: "Convolution"                    #层类型bottom: "image"                        #输入top: "conv1_1"                         #输出param {                               lr_mult: 1.0                         #权值的学习率，最终的学习率是这个系数乘以solver.prototxt配置文件中的base_Irdecay_mult: 1                        #权值衰减系数}param {lr_mult: 2.0                         #如果有两个Ir_mult，则第二个代表偏置项的学习率，一般来说偏置项的学习率是权值学习率的两倍decay_mult: 0}convolution_param {num_output: 64                       #卷积核的个数，convolution_param主要用于设定卷积层的特有参数pad: 1kernel_size: 3weight_filler {                      #权值初始化type: "gaussian"                   #默认为“constant”，值为0，“gaussian”使用高斯分布初始化权值std: 0.01                          #std是参数初始化成是高斯分布的标准差，std越小，证明高斯曲线越平滑，各个权重值基本相同   详见https://blog.csdn.net/kenny_star/article/details/69949846}bias_filler { type: "constant"                   #偏置项的初始化，一般设置为“constant”，值全为0}}
}

2、激活层

layer {name: "relu1_1"                        对输入数据进行激活操作（一种函数变换），从bottom得到一个blob数据输入，运算后，从top输出一个blob数据type: "ReLU"                           在运算过程中，只对输入数据逐个元素进行函数变化，不改变数据维度大小bottom: "conv1_1"                      输入：n*c*h*w  输出：n*c*h*wtop: "conv1_1"                         Relu层支持in-place计算，因此Relu层的输入输出可以相同，这意味着该层的输入输出可以共享同一块内存，减少内存消耗，其它层不支持
}

3、池化层

layer {name: "pool1_stage1"type: "Pooling"                        #层类型bottom: "conv1_2"top: "pool1_stage1"pooling_param {pool: MAX                            #池化方法，默认为MAX，其他还有AVE、STOCHASTIC（随机采样池化）kernel_size: 2stride: 2}
}

4、连接层

layer {name: "concat_stage2"                  #输入：n_i * c_i * h * w  for each input blob i from 1 to K.type: "Concat"bottom: "conv5_5_CPM_L1"bottom: "conv5_5_CPM_L2"bottom: "conv4_4_CPM"top: "concat_stage2"concat_param {                         https://blog.csdn.net/u012426298/article/details/80743284axis: 1                              if axis = 0: (n_1 + n_2 + ... + n_K) * c_1 * h * w, and all input c_i should be the sameif axis = 1: n_1 * (c_1 + c_2 + ... + c_K) * h * w, and all input n_i should be the same}
}

caffe-openpose结构相关推荐

可视化caffe模型结构及在线可视化
在线可视化caffe模型结构 http://ethereon.github.io/netscope/#/editor 假设Caffe的目录是$(CAFFE_ROOT) 1.编译caffe的python ...
深度学习caffe的代码怎么读？
知乎用户 ,Caffe / Torch7 / CNN 知乎用户.任逸风.陈文等人赞同我是从Torch7转移到Caffe的人,仅供参考,当你阅读前你应该具备一些有关DL的基础知识,本文集中写Caff ...
caffe 框架梳理（待续）
本文更多资料来源于罗韵北京深度学习资料和Ian Goodfellow的书籍<Deep Learning> 链接: http://pan.baidu.com/s/1jIRJ6mU 提取密码: ...
OpenCV3与深度学习实例-使用OpenPose进行人体姿态估算
为什么80%的码农都做不了架构师?>>> import cv2 import time import numpy as np import matplotlib.pyplot ...
caffe 实例笔记 2 LeNet详细解读及实现
1 温习 1.1 关于caffe的名称: caffe = convolutional architecture for fast feature embedding 1.2 caffe.proto P ...
深度学习_21天实战Caffe.pdf
深度学习_21天实战Caffe.pdf 原深度学习21天实战caffe学习笔记<1:深度学习的过往> 1. 深度学习DL: 1.1.有监督学习.无监督学习.过拟合.训练样本.泛化.训练集 ...
ubuntu18完全安装Openpose指南
ubuntu18完全安装Openpose指南可谓是历经千辛万苦,配了我整整两个星期才配好这个环境.有必要记录一下,不走弯路,也给后面的人一些启示,按下面指南大概总时间两小时就能配好. 环境列表:ub ...
Caffe概览及mnist数据集训练
1. Caffe目录结构 data/用于存放下载的训练数据 docs/ 帮助文档 examples/ 代码样例 matlab/ MATLAB接口文件 python/ PYTHON接口文件 models ...
深度学习库 caffe使用源码分析依赖库分析 caffe glog gflags openBlas prototxt yolo_darknet 转 caffe
深度学习库 caffe使用源码分析依赖库分析 caffe glog gflags openBlas 本文github链接 yolo_darknet 转 caffe caffe 安装 Caffe代码 ...
彩信猫发送彩信失败_在彩信上为人类摆姿势
彩信猫发送彩信失败 Today, training and running ML models on a local or remote machine is not a big deal as t ...

caffe-openpose结构

caffe-openpose结构相关推荐

最新文章

热门文章