caffe学习笔记-模型代码生成.prototxt文件

本文主要是介绍caffe学习笔记-模型代码生成.prototxt文件，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

pycaffe网络定义

以ImageData格式输入,定义输入层:

data, label = L.ImageData(source=img_list, batch_size=batch_size, ntop=2,root_folder=root,transform_param=dict(scale= 0.00390625))

定义卷积层:

conv1=L.Convolution(data, kernel_size=5, stride=1,num_output=20, pad=0,weight_filler=dict(type='xavier'))

定义池化层:

pool1=L.Pooling(conv1, pool=P.Pooling.MAX, kernel_size=2, stride=2)

定义激活函数层:

relu3=L.ReLU(fc3, in_place=True)

定义全连接层:

fc3=L.InnerProduct(pool2, num_output=500,weight_filler=dict(type='xavier'))

计算损失函数:

loss = L.SoftmaxWithLoss(fc4, label)

计算精度:

acc = L.Accuracy(fc4, label)

保存网络定义.prototxt文件

以Lenet为例,网络结构代码如下:

def Lenet(img_list,batch_size,include_acc=False):#第一层，数据输入层，以ImageData格式输入data, label = L.ImageData(source=img_list, batch_size=batch_size, ntop=2,root_folder=root,transform_param=dict(scale= 0.00390625))#第二层：卷积层conv1=L.Convolution(data, kernel_size=5, stride=1,num_output=20, pad=0,weight_filler=dict(type='xavier'))#池化层pool1=L.Pooling(conv1, pool=P.Pooling.MAX, kernel_size=2, stride=2)#卷积层conv2=L.Convolution(pool1, kernel_size=5, stride=1,num_output=50, pad=0,weight_filler=dict(type='xavier'))#池化层pool2=L.Pooling(conv2, pool=P.Pooling.MAX, kernel_size=2, stride=2)#全连接层fc3=L.InnerProduct(pool2, num_output=500,weight_filler=dict(type='xavier'))#激活函数层relu3=L.ReLU(fc3, in_place=True)#全连接层fc4 = L.InnerProduct(relu3, num_output=10,weight_filler=dict(type='xavier'))#softmax层loss = L.SoftmaxWithLoss(fc4, label)if include_acc:             # test阶段需要有accuracy层acc = L.Accuracy(fc4, label)return to_proto(loss, acc)else:return to_proto(loss)

上述代码中,通过to_proto()函数,保存网络定义,保存为.prototxt文件,

with open(train_proto, 'w') as f:f.write(str(Lenet(train_list,batch_size=64)))

train_list为模型输入,train_proto为.prototxt文件名,保存的.prototxt文件内容如下:

这篇关于caffe学习笔记-模型代码生成.prototxt文件的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---