Caffe傻瓜系列(1):数据层及参数
要运行caffe,需要先创建一个模型(model),如比较常用的Lenet,Alex等, 而一个模型由多个屋(layer)构成,每一屋又由许多参数组成。所有的参数都定义在caffe.proto这个文件中。要熟练使用caffe,最重要的就是学会配置文件(prototxt)的编写。
层有很多种类型,比如Data,Convolution,Pooling等,层之间的数据流动是以Blobs的方式进行。
今天我们就先介绍一下数据层.
数据层是每个模型的最底层,是模型的入口,不仅提供数据的输入,也提供数据从Blobs转换成别的格式进行保存输出。通常数据的预处理(如减去均值, 放大缩小, 裁剪和镜像等),也在这一层设置参数实现。
数据来源可以来自高效的数据库(如LevelDB和LMDB),也可以直接来自于内存。如果不是很注重效率的话,数据也可来自磁盘的hdf5文件和图片格式文件。
所有的数据层的都具有的公用参数:先看示例
- layer {
- name: "cifar"
- type: "Data"
- top: "data"
- top: "label"
- include {
- phase: TRAIN
- }
- transform_param {
- mean_file: "examples/cifar10/mean.binaryproto"
- }
- data_param {
- source: "examples/cifar10/cifar10_train_lmdb"
- batch_size: 100
- backend: LMDB
- }
- }
name: 表示该层的名称,可随意取
type: 层类型,如果是Data,表示数据来源于LevelDB或LMDB。根据数据的来源不同,数据层的类型也不同(后面会详细阐述)。一般在练习的时候,我们都是采用的LevelDB或LMDB数据,因此层类型设置为Data。
top或bottom: 每一层用bottom来输入数据,用top来输出数据。如果只有top没有bottom,则此层只有输出,没有输入。反之亦然。如果有多个 top或多个bottom,表示有多个blobs数据的输入和输出。
data 与 label: 在数据层中,至少有一个命名为data的top。如果有第二个top,一般命名为label。 这种(data,label)配对是分类模型所必需的。
include: 一般训练的时候和测试的时候,模型的层是不一样的。该层(layer)是属于训练阶段的层,还是属于测试阶段的层,需要用include来指定。如果没有include参数,则表示该层既在训练模型中,又在测试模型中。
Transformations: 数据的预处理,可以将数据变换到定义的范围内。如设置scale为0.00390625,实际上就是1/255, 即将输入数据由0-255归一化到0-1之间
其它的数据预处理也在这个地方设置:
- transform_param {
- scale: 0.00390625
- mean_file_size: "examples/cifar10/mean.binaryproto"
- # 用一个配置文件来进行均值操作
- mirror: 1 # 1表示开启镜像,0表示关闭,也可用ture和false来表示
- # 剪裁一个 227*227的图块,在训练阶段随机剪裁,在测试阶段从中间裁剪
- crop_size: 227
- }
后面的data_param部分,就是根据数据的来源不同,来进行不同的设置。
1、数据来自于数据库(如LevelDB和LMDB)
层类型(layer type):Data
必须设置的参数:
source: 包含数据库的目录名称,如examples/mnist/mnist_train_lmdb
batch_size: 每次处理的数据个数,如64
可选的参数:
rand_skip: 在开始的时候,路过某个数据的输入。通常对异步的SGD很有用。
backend: 选择是采用LevelDB还是LMDB, 默认是LevelDB.
示例:
- layer {
- name: "mnist"
- type: "Data"
- top: "data"
- top: "label"
- include {
- phase: TRAIN
- }
- transform_param {
- scale: 0.00390625
- }
- data_param {
- source: "examples/mnist/mnist_train_lmdb"
- batch_size: 64
- backend: LMDB
- }
- }
2、数据来自于内存
层类型:MemoryData
必须设置的参数:
batch_size:每一次处理的数据个数,比如2
channels:通道数
height:高度
width: 宽度
示例:
- layer {
- top: "data"
- top: "label"
- name: "memory_data"
- type: "MemoryData"
- memory_data_param{
- batch_size: 2
- height: 100
- width: 100
- channels: 1
- }
- transform_param {
- scale: 0.0078125
- mean_file: "mean.proto"
- mirror: false
- }
- }
3、数据来自于HDF5
层类型:HDF5Data
必须设置的参数:
source: 读取的文件名称
batch_size: 每一次处理的数据个数
示例:
- layer {
- name: "data"
- type: "HDF5Data"
- top: "data"
- top: "label"
- hdf5_data_param {
- source: "examples/hdf5_classification/data/train.txt"
- batch_size: 10
- }
- }
4、数据来自于图片
层类型:ImageData
必须设置的参数:
source: 一个文本文件的名字,每一行给定一个图片文件的名称和标签(label)
batch_size: 每一次处理的数据个数,即图片数
可选参数:
rand_skip: 在开始的时候,路过某个数据的输入。通常对异步的SGD很有用。
shuffle: 随机打乱顺序,默认值为false
new_height,new_width: 如果设置,则将图片进行resize
示例:
- layer {
- name: "data"
- type: "ImageData"
- top: "data"
- top: "label"
- transform_param {
- mirror: false
- crop_size: 227
- mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"
- }
- image_data_param {
- source: "examples/_temp/file_list.txt"
- batch_size: 50
- new_height: 256
- new_width: 256
- }
- }
5、数据来源于Windows
层类型:WindowData
必须设置的参数:
source: 一个文本文件的名字
batch_size: 每一次处理的数据个数,即图片数
示例:
- layer {
- name: "data"
- type: "WindowData"
- top: "data"
- top: "label"
- include {
- phase: TRAIN
- }
- transform_param {
- mirror: true
- crop_size: 227
- mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"
- }
- window_data_param {
- source: "examples/finetune_pascal_detection/window_file_2007_trainval.txt"
- batch_size: 128
- fg_threshold: 0.5
- bg_threshold: 0.5
- fg_fraction: 0.25
- context_pad: 16
- crop_mode: "warp"
- }
- }
Caffe傻瓜系列(1):数据层及参数相关推荐
- Caffe学习系列(2):数据层及参数
要运行caffe,需要先创建一个模型(model),如比较常用的Lenet,Alex等, 而一个模型由多个屋(layer)构成,每一屋又由许多参数组成.所有的参数都定义在caffe.proto这个文件 ...
- Caffe学习(四)数据层及参数设置
caffe的各种数据层在caffe.proto文件中有定义.通过对定义的caffe.proto文件进行编译,产生支持各种层操作的c++代码.后面将会详细解读caffe.proto文件(在caffe里就 ...
- Caffe学习系列(3):视觉层(Vision Layers)及参数
所有的层都具有的参数,如name, type, bottom, top和transform_param请参看我的前一篇文章:Caffe学习系列(2):数据层及参数 本文只讲解视觉层(Vision La ...
- caffe学习(4)数据层
数据是学习的原料,参考官网和网友的资料,来看一下数据与数据层. Data:Ins and Outs Caffe学习系列(2):数据层及参数,denny402 数据:输入与输出 在Caffe中,数据是以 ...
- Caffe 学习系列
学习列表: Google protocol buffer在windows下的编译 caffe windows 学习第一步:编译和安装(vs2012+win 64) caffe windows学习:第一 ...
- Caffe学习系列(5):其它常用层及参数
本文讲解一些其它的常用层,包括:softmax_loss层,Inner Product层,accuracy层,reshape层和dropout层及其它们的参数配置. 1.softmax-loss so ...
- Caffe学习系列(23):如何将别人训练好的model用到自己的数据上
caffe团队用imagenet图片进行训练,迭代30多万次,训练出来一个model.这个model将图片分为1000类,应该是目前为止最好的图片分类model了. 假设我现在有一些自己的图片想进行分 ...
- Caffe学习系列(17):模型各层特征和过滤器可视化
转载自: Caffe学习系列(17):模型各层特征和过滤器可视化 - denny402 - 博客园 http://www.cnblogs.com/denny402/p/5105911.html cif ...
- Caffe学习系列(16):各层权值参数可视化
原文有更新: Caffe学习系列(16):各层权值参数可视化 - denny402 - 博客园 http://www.cnblogs.com/denny402/p/5103425.html 通过前面的 ...
- Caffe新手教程傻瓜系列(9):训练和测试自己的图片
在深度学习的实际应用中,我们经常用到的原始数据是图片文件,如jpg,jpeg,png,tif等格式的,而且有可能图片的大小还不一致.而在caffe中经常使用的数据类型是lmdb或leveldb,因 ...
最新文章
- 玩转Mixly – 3、Arduino AVR编程 之 控制
- 故障恢复 stm32_硬件编程:77条STM32知识汇总
- EHPC通过断点续算和自动伸缩在抢占式实例上实现低成本HPC计算
- 【Vue】脚手架 Vue CLI 的使用
- python 文档字符串_新款Python文档字符串生成器来了
- C# A potentially dangerous 问题解决
- 【codeforces】Codeforces Round #277 (Div. 2) 解读
- linux下卸载之前安装的qt4和qt5
- Android天天数钱游戏源码
- 与孩子一起学编程10章
- Windows server 2016 安装小度WiFi网卡驱动
- 从零学光学设计 zemax中的三种优化
- matlab max/min/median函数用法以及自定义函数求最大最小值和中位数
- SQL - 多字段组合升序ASC降序DESC
- 虚拟专用网络安全技术
- delphi编程实现免杀捆绑
- 读李智慧的《大型网站技术架构—核心原理与案例分析》有感
- 我感觉被骗了,微信内测 “大小号” 功能,同一手机号可注册两个微信
- 如何甄别有价值的数据
- Zigbee 入网过程详解