caffe源碼c++學習筆記

原文地址：http://blog.csdn.net/hjimce/article/details/48933845

作者：hjimce

一、預測分類

最近幾天為了希望深入理解caffe，于是便開始學起了caffe函數的c++調用，caffe的函數調用例子網上很少，需要自己慢慢的摸索，即便是找到了例子，有的時候caffe版本不一樣，也會出現錯誤。對于預測分類的函數調用，caffe為我們提供了一個例子，一開始我懶得解讀這個例子，網上找了一些分類預測的例子，總是會出現各種各樣的錯誤，于是沒辦法最后只能老老實實的學官方給的例子比較實在，因此最后自己把代碼解讀了一下，然后自己整理成自己的類，這個類主要用于訓練好模型后，我們要進行調用預測一張新輸入圖片的類別。

頭文件：

[cpp]?view plaincopy

/*?

?*?Classifier.h?

?*?

?*??Created?on:?Oct?6,?2015?

?*??????Author:?hjimce?

?*/??

??

#ifndef?CLASSIFIER_H_??

#define?CLASSIFIER_H_??

??

??

#include?<caffe/caffe.hpp>??

??

#include?<opencv2/core/core.hpp>??

#include?<opencv2/highgui/highgui.hpp>??

#include?<opencv2/imgproc/imgproc.hpp>??

??

#include?<algorithm>??

#include?<iosfwd>??

#include?<memory>??

#include?<string>??

#include?<utility>??

#include?<vector>??

??

??

using?namespace?caffe;??

using?std::string;??

??

/*?std::pair?(標簽,?屬于該標簽的概率)*/??

typedef?std::pair<string,?float>?Prediction;??

??

class?Classifier??

{??

?public:??

????Classifier(const?string&?model_file,?const?string&?trained_file,const?string&?mean_file);??

????std::vector<Prediction>?Classify(const?cv::Mat&?img,?int?N?=?1);//N的默認值，我選擇1，因為我的項目判斷的圖片，一般圖片里面就只有一個種類??

????void?SetLabelString(std::vector<string>strlabel);//用于設置label的名字，有n個類，那么就有n個string的名字??

private:??

??

????void?SetMean(const?string&?mean_file);??

??

???std::vector<float>?Predict(const?cv::Mat&?img);??

??

???void?WrapInputLayer(std::vector<cv::Mat>*?input_channels);??

??

???void?Preprocess(const?cv::Mat&?img,??

??????????????????std::vector<cv::Mat>*?input_channels);??

??

private:??

???shared_ptr<Net<float>?>?net_;//網絡??

???cv::Size?input_geometry_;//網絡輸入圖片的大小cv::Size（height，width）??

???int?num_channels_;//網絡輸入圖片的通道數??

???cv::Mat?mean_;//均值圖片??

???std::vector<string>?labels_;??

};??

??

??

#endif?/*?CLASSIFIER_H_?*/??

源文件：

[cpp]?view plaincopy

/*?

?*?Classifier.cpp?

?*?

?*??Created?on:?Oct?6,?2015?

?*??????Author:?hjimce?

?*/??

??

#include?"Classifier.h"??

using?namespace?caffe;??

Classifier::Classifier(const?string&?model_file,const?string&?trained_file,const?string&?mean_file)??

{??

????//設置計算模式為CPU??

??Caffe::set_mode(Caffe::CPU);??

??

??

?//加載網絡模型，??

??net_.reset(new?Net<float>(model_file,?TEST));??

??//加載已經訓練好的參數??

??net_->CopyTrainedLayersFrom(trained_file);??

??

??CHECK_EQ(net_->num_inputs(),?1)?<<?"Network?should?have?exactly?one?input.";??

??CHECK_EQ(net_->num_outputs(),?1)?<<?"Network?should?have?exactly?one?output.";??

?//輸入層??

??Blob<float>*?input_layer?=?net_->input_blobs()[0];??

??num_channels_?=?input_layer->channels();??

??//輸入層一般是彩色圖像、或灰度圖像，因此需要進行判斷，對于Alexnet為三通道彩色圖像??

??CHECK(num_channels_?==?3?||?num_channels_?==?1)<<?"Input?layer?should?have?1?or?3?channels.";??

??//網絡輸入層的圖片的大小，對于Alexnet大小為227*227??

??input_geometry_?=?cv::Size(input_layer->width(),?input_layer->height());??

??

?//設置均值??

??SetMean(mean_file);??

??

}??

??

static?bool?PairCompare(const?std::pair<float,?int>&?lhs,??

????????????????????????const?std::pair<float,?int>&?rhs)?{??

??return?lhs.first?>?rhs.first;??

}??

??

//函數用于返回向量v的前N個最大值的索引，也就是返回概率最大的五種物體的標簽??

//如果你是二分類問題，那么這個N直接選擇1??

static?std::vector<int>?Argmax(const?std::vector<float>&?v,?int?N)??

{??

????//根據v的大小進行排序，因為要返回索引，所以需要借助于pair??

??std::vector<std::pair<float,?int>?>?pairs;??

??for?(size_t?i?=?0;?i?<?v.size();?++i)??

????pairs.push_back(std::make_pair(v[i],?i));??

??std::partial_sort(pairs.begin(),?pairs.begin()?+?N,?pairs.end(),?PairCompare);??

??

??std::vector<int>?result;??

??for?(int?i?=?0;?i?<?N;?++i)??

????result.push_back(pairs[i].second);??

??return?result;??

}??

??

//預測函數，輸入一張圖片img，希望預測的前N種概率最大的，我們一般取N等于1??

//輸入預測結果為std::make_pair，每個對包含這個物體的名字，及其相對于的概率??

std::vector<Prediction>?Classifier::Classify(const?cv::Mat&?img,?int?N)?{??

??std::vector<float>?output?=?Predict(img);??

??

??N?=?std::min<int>(labels_.size(),?N);??

??std::vector<int>?maxN?=?Argmax(output,?N);??

??std::vector<Prediction>?predictions;??

??for?(int?i?=?0;?i?<?N;?++i)?{??

????int?idx?=?maxN[i];??

????predictions.push_back(std::make_pair(labels_[idx],?output[idx]));??

??}??

??

??return?predictions;??

}??

void?Classifier::SetLabelString(std::vector<string>strlabel)??

{??

????labels_=strlabel;??

}??

??

??

??

??

??

??

??

??

??

//加載均值文件??

void?Classifier::SetMean(const?string&?mean_file)??

{??

??BlobProto?blob_proto;??

??ReadProtoFromBinaryFileOrDie(mean_file.c_str(),?&blob_proto);??

??

??/*把BlobProto?轉換為?Blob<float>類型?*/??

??Blob<float>?mean_blob;??

??mean_blob.FromProto(blob_proto);??

??//驗證均值圖片的通道個數是否與網絡的輸入圖片的通道個數相同??

??CHECK_EQ(mean_blob.channels(),?num_channels_)<<?"Number?of?channels?of?mean?file?doesn't?match?input?layer.";??

??

?//把三通道的圖片分開存儲，三張圖片按順序保存到channels中??

??std::vector<cv::Mat>?channels;??

??float*?data?=?mean_blob.mutable_cpu_data();??

??for?(int?i?=?0;?i?<?num_channels_;?++i)?{??

??

????cv::Mat?channel(mean_blob.height(),?mean_blob.width(),?CV_32FC1,?data);??

????channels.push_back(channel);??

????data?+=?mean_blob.height()?*?mean_blob.width();??

??}??

??

//重新合成一張圖片??

??cv::Mat?mean;??

??cv::merge(channels,?mean);??

??

//計算每個通道的均值，得到一個三維的向量channel_mean，然后把三維的向量擴展成一張新的均值圖片??

??//這種圖片的每個通道的像素值是相等的，這張均值圖片的大小將和網絡的輸入要求一樣??

??cv::Scalar?channel_mean?=?cv::mean(mean);??

??mean_?=?cv::Mat(input_geometry_,?mean.type(),?channel_mean);??

}??

//預測函數，輸入一張圖片??

std::vector<float>?Classifier::Predict(const?cv::Mat&?img)??

{??

????//？??

????Blob<float>*?input_layer?=?net_->input_blobs()[0];??

????input_layer->Reshape(1,?num_channels_,?input_geometry_.height,?input_geometry_.width);??

????net_->Reshape();??

???//輸入帶預測的圖片數據，然后進行預處理，包括歸一化、縮放等操作??

????std::vector<cv::Mat>?input_channels;??

????WrapInputLayer(&input_channels);??

??

????Preprocess(img,?&input_channels);??

???//前向傳導??

????net_->ForwardPrefilled();??

??

??//把最后一層輸出值，保存到vector中，結果就是返回每個類的概率??

??Blob<float>*?output_layer?=?net_->output_blobs()[0];??

??const?float*?begin?=?output_layer->cpu_data();??

??const?float*?end?=?begin?+?output_layer->channels();??

??return?std::vector<float>(begin,?end);??

}??

??

/*?這個其實是為了獲得net_網絡的輸入層數據的指針，然后后面我們直接把輸入圖片數據拷貝到這個指針里面*/??

void?Classifier::WrapInputLayer(std::vector<cv::Mat>*?input_channels)??

{??

??Blob<float>*?input_layer?=?net_->input_blobs()[0];??

??

??int?width?=?input_layer->width();??

??int?height?=?input_layer->height();??

??float*?input_data?=?input_layer->mutable_cpu_data();??

??for?(int?i?=?0;?i?<?input_layer->channels();?++i)?{??

????cv::Mat?channel(height,?width,?CV_32FC1,?input_data);??

????input_channels->push_back(channel);??

????input_data?+=?width?*?height;??

??}??

}??

//圖片預處理函數，包括圖片縮放、歸一化、3通道圖片分開存儲??

//對于三通道輸入CNN，經過該函數返回的是std::vector<cv::Mat>因為是三通道數據，索引用了vector??

void?Classifier::Preprocess(const?cv::Mat&?img,std::vector<cv::Mat>*?input_channels)??

{??

/*1、通道處理，因為我們如果是Alexnet網絡，那么就應該是三通道輸入*/??

??cv::Mat?sample;??

??//如果輸入圖片是一張彩色圖片，但是CNN的輸入是一張灰度圖像，那么我們需要把彩色圖片轉換成灰度圖片??

??if?(img.channels()?==?3?&&?num_channels_?==?1)??

????cv::cvtColor(img,?sample,?CV_BGR2GRAY);??

??else?if?(img.channels()?==?4?&&?num_channels_?==?1)??

????cv::cvtColor(img,?sample,?CV_BGRA2GRAY);??

??//如果輸入圖片是灰度圖片，或者是4通道圖片，而CNN的輸入要求是彩色圖片，因此我們也需要把它轉化成三通道彩色圖片??

??else?if?(img.channels()?==?4?&&?num_channels_?==?3)??

????cv::cvtColor(img,?sample,?CV_BGRA2BGR);??

??else?if?(img.channels()?==?1?&&?num_channels_?==?3)??

????cv::cvtColor(img,?sample,?CV_GRAY2BGR);??

??else??

????sample?=?img;??

/*2、縮放處理，因為我們輸入的一張圖片如果是任意大小的圖片，那么我們就應該把它縮放到227×227*/??

??cv::Mat?sample_resized;??

??if?(sample.size()?!=?input_geometry_)??

????cv::resize(sample,?sample_resized,?input_geometry_);??

??else??

????sample_resized?=?sample;??

/*3、數據類型處理，因為我們的圖片是uchar類型，我們需要把數據轉換成float類型*/??

??cv::Mat?sample_float;??

??if?(num_channels_?==?3)??

????sample_resized.convertTo(sample_float,?CV_32FC3);??

??else??

????sample_resized.convertTo(sample_float,?CV_32FC1);??

//均值歸一化，為什么沒有大小歸一化？??

??cv::Mat?sample_normalized;??

??cv::subtract(sample_float,?mean_,?sample_normalized);??

??

??/*?3通道數據分開存儲?*/??

??cv::split(sample_normalized,?*input_channels);??

??

??CHECK(reinterpret_cast<float*>(input_channels->at(0).data)?==?net_->input_blobs()[0]->cpu_data())?<<?"Input?channels?are?not?wrapping?the?input?layer?of?the?network.";??

}??

調用實例，下面這個實例是要用于性別預測的例子：

[cpp]?view plaincopy

//============================================================================??

//?Name????????:?caffepredict.cpp??

//?Author??????:???

//?Version?????:??

//?Copyright???:?Your?copyright?notice??

//?Description?:?Hello?World?in?C++,?Ansi-style??

//============================================================================??

??

#include?<string>??

#include?<vector>??

#include?<fstream>??

#include?"caffe/caffe.hpp"??

#include?<opencv2/opencv.hpp>??

#include"Classifier.h"??

??

int?main()??

{??

?????caffe::Caffe::set_mode(caffe::Caffe::CPU);??

????cv::Mat?src1;??

????src1?=?cv::imread("4.jpg");??

????Classifier?cl("deploy.prototxt",?"gender_net.caffemodel","imagenet_mean.binaryproto");??

????std::vector<string>label;??

????label.push_back("male");??

????label.push_back("female");??

????cl.SetLabelString(label);??

????std::vector<Prediction>pre=cl.Classify(src1);??

????cv::imshow("1.jpg",src1);??

??

????std::cout?<<pre[0].first<<?std::endl;??

????return?0;??

}??

二、文件數據

[cpp]?view plaincopy

/函數的作用是讀取一張圖片，并保存到到datum中??

//第一個參數：filename圖片文件路徑名??

//第二個參數：label圖片的分類標簽??

//第三、四個參數：圖片resize新的寬高??

//調用方法：??

/*Datum?datum?

???ReadImageToDatum(“1.jpg”,?10,?256,?256,?true,&datum)*/??

//把圖片1.jpg，其標簽為10的圖片縮放到256*256，并保存為彩色圖片，最后保存到datum當中??

bool?ReadImageToDatum(const?string&?filename,?const?int?label,??

????const?int?height,?const?int?width,?const?bool?is_color,??

????const?std::string?&?encoding,?Datum*?datum)?{??

??cv::Mat?cv_img?=?ReadImageToCVMat(filename,?height,?width,?is_color);//讀取圖片到cv::Mat??

??if?(cv_img.data)?{??

????if?(encoding.size())?{??

??????if?(?(cv_img.channels()?==?3)?==?is_color?&&?!height?&&?!width?&&??

??????????matchExt(filename,?encoding)?)??

????????return?ReadFileToDatum(filename,?label,?datum);??

??????std::vector<uchar>?buf;??

??????cv::imencode("."+encoding,?cv_img,?buf);??

??????datum->set_data(std::string(reinterpret_cast<char*>(&buf[0]),??

??????????????????????buf.size()));??

??????datum->set_label(label);??

??????datum->set_encoded(true);??

??????return?true;??

????}??

????CVMatToDatum(cv_img,?datum);//把圖片由cv::Mat轉換成Datum??

????datum->set_label(label);//設置圖片的標簽??

????return?true;??

??}?else?{??

????return?false;??

??}??

}??

**********************作者：hjimce ? 時間：2015.10.1 ? 地址：http://blog.csdn.net/hjimce?轉載請保留本行信息********************

總結

以上是生活随笔為你收集整理的深度学习（七）caffe源码c++学习笔记的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。