pycaffe簡明文檔

by ChrisZZ, imzhuo@foxmail.com
2018年01月18日19:00:56

說明
caffe的python接口沒有官方說明文檔，例如查看一個函數(shù)的用法，pytorch能查到所有的用法，而pycaffe則需要自行去查看源碼。于是手動寫了一個很粗糙的文檔，湊合看了。

1.主要根據(jù)caffe_root/python/caffe目錄下的__init__.py和_caffe.cpp來手動生成。

2.以及caffe_root/python/proto/caffe_pb2.py文件（這個文件是從caffe.proto來的，特別大）。

3.還有就是caffe_root/python/caffe/test目錄下的這些單元測試文件。

4.其他文件，如io.py, net_spec.py, pycaffe.py, draw.py, classifier.py, detector.py，要么是caffe_pb2.py中眾多函數(shù)的重要的、有代表性的基本封裝和使用，要么就是充當(dāng)（可能）常用的工具。

5.此外，老版本(如caffe-fast-rcnn)和新版本(如caffe-BVLC)的pycaffe支持的東西，肯定是新版本的多一些。本文檔僅僅列出了caffe-fast-rcnn版代碼中的函數(shù)，更新版本pycaffe中的函數(shù)需要自行查看_caffe.cpp做對照理解。

也是醉了，其實可以直接查看從代碼和注釋生成的文檔的：

#在ipython環(huán)境下 import caffe help(caffe.Net) help(caffe.proto.caffe_pb2)

這里是模板：

className類

className.funcName(param1, param2)
@param1 類型，作用
@param2 類型，作用
@descipion 函數(shù)的作用是，
@return 類型

caffe.Net類

__init__(prototxt, phase)

@param prototxt: 字符串。指定prototxt路徑 @param phase: `caffe.TRAIN`或者`caffe.TEST` @description: 根據(jù)prototxt初始化一個網(wǎng)絡(luò)。相當(dāng)于C++的:shared_ptr<Net<Dtype> > net(new Net<Dtype>(param_file,static_cast<Phase>(phase))); @return `Net`類對象，網(wǎng)絡(luò)實例 @example `net = caffe.Net('test.prototxt', caffe.TEST)`

__init__(prototxt, caffemodel, phase)

@param prototxt: 字符串。指定prototxt路徑 @param caffemodel: 字符串，指定caffemodel路徑 @param phase: `caffe.TRAIN`或者`caffe.TEST` @description: 根據(jù)prototxt初始化一個網(wǎng)絡(luò)，并從caffemodel復(fù)制同名層的權(quán)值（作為網(wǎng)絡(luò)中該層的權(quán)值）。相當(dāng)于C++的：shared_ptr<Net<Dtype> > net(new Net<Dtype>(param_file,static_cast<Phase>(phase)));net->CopyTrainedLayersFrom(pretrained_param_file); @return `Net`類對象，網(wǎng)絡(luò)實例 @example `net = caffe.Net('test.prototxt', 'resnet50.caffemodel', caffe.TEST)`

_forward(start, end)

@param start: int類型 @param end: int類型 @description: 執(zhí)行前向傳播。調(diào)用的是C++的`Dtype Net<Dtype>::ForwardFromTo(int start, int end) ` @return: loss值 @example: 類的私有方法，所以不建議使用

_backward(start, end)

@param start: int類型 @param end: int類型 @description: 執(zhí)行前向傳播。調(diào)用的是C++的`void Net<Dtype>::BackwardFromTo(int start, int end) ` @return: 沒有返回值。 @example: 類的私有方法，所以不建議使用

reshape()

@param: 不需要參數(shù) @description: 網(wǎng)絡(luò)中的每一層，都執(zhí)行reshape。調(diào)用的C++的`void Net<Dtype>::Reshape() ` @return: 沒有返回值類型

copy_from(caffemodel)

@param caffemodel: 字符串類型。指定(pretrained的)caffemodel路徑 @description: 讀取指定的caffemodel(二進(jìn)制protobuf文件），從中讀取和當(dāng)前網(wǎng)絡(luò)同名層的參數(shù)作為替代。調(diào)用的是C++`void Net<Dtype>::CopyTrainedLayersFrom(const string trained_filename)` @return: 空 @examplepretrained_caffemodel = 'abc.caffemodel'net = caffe.Net(prototxt, caffe.TEST)net.copy_from(pretrained_caffemodel)(來源：py-faster-rcnn)

copy_from(net)

@param net: (另一個)Net對象 @description: 從Net中讀取同名網(wǎng)絡(luò)層參數(shù)作為替代。調(diào)用的其實是`void Net<Dtype>::CopyTrainedLayersFrom(const NetParameter& param)` @return 空 @examplenet = caffe.Net(prototxt, caffe.TEST)resnet = caffe.Net(prototxt_resnet, caffemodel, caffe.TEST)net.copy_from(resnet)

share_with(net)

@param net: Net類型。打算從net上取同名層，和當(dāng)前網(wǎng)絡(luò)共享參數(shù)。 @description: 和copy_from非常像。區(qū)別在于，被share的兩個Net對象，同名層的數(shù)據(jù)是共享的！也就是內(nèi)存中只有一份！改了一個，另一個也被修改！調(diào)用的是C++`void Net<Dtype>::ShareTrainedLayersWith(const Net* other) ` @return 空

_blob_loss_weights

私有屬性。 返回loss函數(shù)中的每個blob的權(quán)值。按照blob_id進(jìn)行索引。

_bottom_ids(i)

@param i: 層(layer)序號 @return 第i層的bottom們的id列表，`bottom_id_vecs_[i]`

_top_ids(i)

@param i: 層(layer)序號 @return 第i層的top們的id列表，`top_id_vecs_[i]`

_blobs

私有屬性 返回blobs（不是很懂！）

layers

公共屬性 返回layers

_blob_names

私有屬性 返回blob們的名字

_layer_names

私有屬性 返回layer們的名字

_inputs

私有屬性。 返回`net_input_blob_indices_`，也就是網(wǎng)絡(luò)輸入們的索引們

_outputs

私有屬性。 返回`net_output_blob_indices_`，也就是網(wǎng)絡(luò)輸出們的索引們

_set_input_arrays(?)

私有函數(shù)。 設(shè)定網(wǎng)絡(luò)輸入？（不懂）

save(pth)

@param pth: 字符串類型。指定保存的路徑。 @description： 保存當(dāng)前網(wǎng)絡(luò)對象到文件（磁盤）。調(diào)用的是C++`void Net_Save(const Net<Dtype>& net, string filename) `

caffe.Blob類

一開始我覺得這個類在pycaffe中沒有被暴露出來，因此沒用。
其實不是的。
某個layer的top或者bottom，其實都是Blob的實例。那么這些blob就需要查看相對應(yīng)的屬性、函數(shù)。

shape

公開屬性 返回當(dāng)前blob對象(也就是一個tensor)的各個維度信息 常見的：返回N,C,H,W

num

公開屬性 Deprecated legacy shape accessor num: use shape(0) instead.

channels

公開屬性 Deprecated legacy shape accessor channels: use shape(1) instead.

height

公開屬性 Deprecated legacy shape accessor height: use shape(2) instead.

width

公開屬性 Deprecated legacy shape accessor width: use shape(3) instead.

count

公開屬性 返回的是當(dāng)前blob的維度數(shù)目，相當(dāng)于len(self.shape) 比如，對于(N,C,H,W)維度的blob，返回的是4

reshape(shape_args)

公開函數(shù) 執(zhí)行reshape操作 例子：im = np.array(caffe.io.load_image('catGray.jpg', color=False)).squeeze()im_input = im[np.newaxis, np.newaxis, :, :]net.blobs['data'].reshape(*im_input.shape)net.blobs['data'].data[...] = im_input

data

公開屬性 本質(zhì)是`Blob<Dtype>::mutable_cpu_data`

diff

公開屬性 本質(zhì)是`Blob<Dtype>::mutable_cpu_diff`

caffe.Layer類

blobs

公開屬性 返回blobs

setup()

reshape()

phase

公開屬性 層的phase

type

公開屬性 層的type(？？干什么用的？）

caffe.Solver類

這個類沒有被直接暴露出來使用，而是被作為SGDSolver等子類繼承。因此子類中也有這些方法和屬性可用，需要查看。

注意
caffe.Solver類沒有構(gòu)造函數(shù)！
但是caffe.Solver類的子類(例如caffe.SGDSolver)是有構(gòu)造函數(shù)的！

net

公開屬性 Solver所擁有的net對象

test_nets

公開屬性 Solver所擁有的所有測試網(wǎng)絡(luò)（因此是一個列表）

iter

公開屬性 Solver對象當(dāng)前迭代次數(shù)

solve(resume_file=None)

公開函數(shù) 讓當(dāng)前Solver對象執(zhí)行求解，也就是執(zhí)行所有iter。 如果指定`resume_file`那么從該文件繼續(xù)執(zhí)行（而不是從0次iter執(zhí)行)

step(iters)

公開函數(shù) @param iters: 需要執(zhí)行的迭代次數(shù) @description: 從Solver的當(dāng)前迭代次數(shù)(self.iter)開始，執(zhí)行iters次迭代。迭代期間可能輸出“平滑過的loss"(smoothed_loss)，形如：Iteration 20, loss = 3.66 具體見solver.cpp的`void Solver<Dtype>::UpdateSmoothedLoss(Dtype loss, int start_iter,int average_loss)`函數(shù) @return:　空 @example: solver.step(1) #執(zhí)行一次迭代

restore(state_file)

公開函數(shù) @param state_file: 字符串類型。暫存狀態(tài)文件的路徑。 @description: 從指定的暫存文件state_file中讀取(恢復(fù))狀態(tài)。

snapshot()

公開函數(shù) @description: 將當(dāng)前solver的網(wǎng)路狀態(tài)寫入暫存文件(solver_state文件) 說明：暫存文件的名字是根據(jù)如下規(guī)則得到(C++):`param_.snapshot_prefix() + "_iter_" + caffe::format_int(iter_) + ".caffemodel";` 可以通過python代碼進(jìn)行查看(甚至修改snapshot的前綴??):from caffe.proto import caffe_pb2solver_param = caffe_pb2.SolverParameter()print(solver_param.snapshot_prefix)

注意2(TODO):

caffe.SGDSolver.restore(), caffe.Net.copy_from(), caffe.SGDSolver.copy_from(), caffe.SGDSolver.step()等函數(shù)，使用前請參考https://github.com/BVLC/caffe/issues/3336

caffe.SGDSolver類

caffe.Solver類的子類

__init__(filename)

@param filename: 字符串類型，指定SGDSolver的prototxt描述文件 @descrition 從指定的prototxt文件，創(chuàng)建SGDSolver @examplesolver_prototxt = 'resnet-50-test.prototxt'self.solver = caffe.SGDSolver(solver_prototxt)

caffe.NesterovSolver類

caffe.Solver類的子類

__init__(filename)

同SGDSolver的構(gòu)造函數(shù)

caffe.AdaGradSolver類

caffe.Solver類的子類

__init__(filename)

同SGDSolver的構(gòu)造函數(shù)

caffe.RMSPropSolver類

caffe.Solver類的子類

__init__(filename)

同SGDSolver的構(gòu)造函數(shù)

caffe.AdaDeltaSolver類

caffe.Solver類的子類

__init__(filename)

同SGDSolver的構(gòu)造函數(shù)

caffe.AdamSolver類

caffe.Solver類的子類

__init__(filename)

同SGDSolver的構(gòu)造函數(shù)

caffe.get_solver(filename)

公開函數(shù) @param filename: 字符串類型。指定的solver文件 @description: 從指定的solver文件，創(chuàng)建solver

caffe.set_mode_cpu()

caffe.set_mode_gpu()

caffe.set_device(gpu_id)

@param gpu_id: int類型 設(shè)定(gpu)id。從0開始。即：第一塊顯卡是0，第二塊顯卡是1.

caffe.set_random_seed()

設(shè)定隨機(jī)數(shù)種子。 好處：在重復(fù)實驗的時候，盡量減少隨機(jī)性。（但其實僅僅是種子一致，無法隨機(jī)數(shù)出現(xiàn)順序是一樣的，因此最后inference結(jié)果還是會不一樣，只不過波動性小了）

caffe.layer_type_list()

返回各個Layer的類型

caffe.proto.caffe_pb2包

這個包下面有很多類。但是很多（也許是全部？）都是從caffe.proto生成的，感覺很蛋疼啊，一個一個的寫，肯定寫不完的。

大概總結(jié)有這些：
LayerNameParameter型，例如：SliceParameter

其他類：

反正，感覺都是在caffe.proto中通過message聲明的一個個東西，例如：
caffe.proto.caffe_pb2.SolverParameter類

message SolverParameter {//// Specifying the train and test networks//// Exactly one train net must be specified using one of the following fields:// train_net_param, train_net, net_param, net// One or more test nets may be specified using any of the following fields:// test_net_param, test_net, net_param, net// If more than one test net field is specified (e.g., both net and// test_net are specified), they will be evaluated in the field order given// above: (1) test_net_param, (2) test_net, (3) net_param/net.// A test_iter must be specified for each test_net.// A test_level and/or a test_stage may also be specified for each test_net.//// Proto filename for the train net, possibly combined with one or more// test nets.optional string net = 24;// Inline train net param, possibly combined with one or more test nets.optional NetParameter net_param = 25;optional string train_net = 1; // Proto filename for the train net.repeated string test_net = 2; // Proto filenames for the test nets.optional NetParameter train_net_param = 21; // Inline train net params.repeated NetParameter test_net_param = 22; // Inline test net params.// The states for the train/test nets. Must be unspecified or// specified once per net.//// By default, all states will have solver = true;// train_state will have phase = TRAIN,// and all test_state's will have phase = TEST.// Other defaults are set according to the NetState defaults.optional NetState train_state = 26;repeated NetState test_state = 27;// The number of iterations for each test net.repeated int32 test_iter = 3;// The number of iterations between two testing phases.optional int32 test_interval = 4 [default = 0];optional bool test_compute_loss = 19 [default = false];// If true, run an initial test pass before the first iteration,// ensuring memory availability and printing the starting value of the loss.optional bool test_initialization = 32 [default = true];optional float base_lr = 5; // The base learning rate// the number of iterations between displaying info. If display = 0, no info// will be displayed.optional int32 display = 6;// Display the loss averaged over the last average_loss iterationsoptional int32 average_loss = 33 [default = 1];optional int32 max_iter = 7; // the maximum number of iterations// accumulate gradients over `iter_size` x `batch_size` instancesoptional int32 iter_size = 36 [default = 1];// The learning rate decay policy. The currently implemented learning rate// policies are as follows:// - fixed: always return base_lr.// - step: return base_lr * gamma ^ (floor(iter / step))// - exp: return base_lr * gamma ^ iter// - inv: return base_lr * (1 + gamma * iter) ^ (- power)// - multistep: similar to step but it allows non uniform steps defined by// stepvalue// - poly: the effective learning rate follows a polynomial decay, to be// zero by the max_iter. return base_lr (1 - iter/max_iter) ^ (power)// - sigmoid: the effective learning rate follows a sigmod decay// return base_lr ( 1/(1 + exp(-gamma * (iter - stepsize))))//// where base_lr, max_iter, gamma, step, stepvalue and power are defined// in the solver parameter protocol buffer, and iter is the current iteration.optional string lr_policy = 8;optional float gamma = 9; // The parameter to compute the learning rate.optional float power = 10; // The parameter to compute the learning rate.optional float momentum = 11; // The momentum value.optional float weight_decay = 12; // The weight decay.// regularization types supported: L1 and L2// controlled by weight_decayoptional string regularization_type = 29 [default = "L2"];// the stepsize for learning rate policy "step"optional int32 stepsize = 13;// the stepsize for learning rate policy "multistep"repeated int32 stepvalue = 34;// Set clip_gradients to >= 0 to clip parameter gradients to that L2 norm,// whenever their actual L2 norm is larger.optional float clip_gradients = 35 [default = -1];optional int32 snapshot = 14 [default = 0]; // The snapshot intervaloptional string snapshot_prefix = 15; // The prefix for the snapshot.// whether to snapshot diff in the results or not. Snapshotting diff will help// debugging but the final protocol buffer size will be much larger.optional bool snapshot_diff = 16 [default = false];enum SnapshotFormat {HDF5 = 0;BINARYPROTO = 1;}optional SnapshotFormat snapshot_format = 37 [default = BINARYPROTO];// the mode solver will use: 0 for CPU and 1 for GPU. Use GPU in default.enum SolverMode {CPU = 0;GPU = 1;}optional SolverMode solver_mode = 17 [default = GPU];// the device_id will that be used in GPU mode. Use device_id = 0 in default.optional int32 device_id = 18 [default = 0];// If non-negative, the seed with which the Solver will initialize the Caffe// random number generator -- useful for reproducible results. Otherwise,// (and by default) initialize using a seed derived from the system clock.optional int64 random_seed = 20 [default = -1];// type of the solveroptional string type = 40 [default = "SGD"];// numerical stability for RMSProp, AdaGrad and AdaDelta and Adamoptional float delta = 31 [default = 1e-8];// parameters for the Adam solveroptional float momentum2 = 39 [default = 0.999];// RMSProp decay value// MeanSquare(t) = rms_decay*MeanSquare(t-1) + (1-rms_decay)*SquareGradient(t)optional float rms_decay = 38;// If true, print information about the state of the net that may help with// debugging learning problems.optional bool debug_info = 23 [default = false];// If false, don't save a snapshot after training finishes.optional bool snapshot_after_train = 28 [default = true];// DEPRECATED: old solver enum types, use string insteadenum SolverType {SGD = 0;NESTEROV = 1;ADAGRAD = 2;RMSPROP = 3;ADADELTA = 4;ADAM = 5;}// DEPRECATED: use type instead of solver_typeoptional SolverType solver_type = 30 [default = SGD]; }

caffe.proto.caffe_pb2.SolverState類

244 // A message that stores the solver snapshots245 message SolverState {246 optional int32 iter = 1; // The current iteration247 optional string learned_net = 2; // The file that stores the learned net.248 repeated BlobProto history = 3; // The history for sgd solvers249 optional int32 current_step = 4 [default = 0]; // The current step for learning rate250 }

總之，感受到了protobuf這個出自google的包的強(qiáng)大和可怕。

轉(zhuǎn)載于:https://www.cnblogs.com/zjutzz/p/8319112.html

總結(jié)

以上是生活随笔為你收集整理的pycaffe简明文档的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。