caffe2学习——0223——使用MNIST数据集训练LeNet-5「建议收藏」

参考：https://zhuanlan.zhihu.com/p/34701319。

本博客使用的是python3，参考网站使用的是py2。代码有部分不同

复习大纲：

1. 准备工作：整理数据（创建文件夹，下载数据）——加载数据——定义模型——定义表现观测函数——选择计算损失的方式——定义计算模型的准确性的方式——将所有梯度运算符添加到模型——定义各种参数——定义日志记录函数
2. 将准备的东西拼一块，包括数据、模型、添加梯度等等。。
3. 可视化
4. 正式训练，一次或者多次，绘制训练结果（loss、train_acc）
5. 保存模型参数
6. 加载训练好的模型，测试

准备工作：

• 设置路径：os.path.join(‘根path’，‘子path1’，‘子path2’。。。‘最终指向path’)
• 判断文件是否存在：os.path.exist(‘path’)
• 创建路径：os.path.makedirs(‘path’)
• 下载文件：file = request.get(‘url’, stream=true)
• 提取下载的文件：file = zipFile.ZipFile(‘file_path’) or  zipFile.ZipFile(StringIO.StringIO(file.content))
• 解压文件： file.extractall(‘unzip_path’)

加载mdb数据：

• data=model.TensorProtosDBInput(self, unused_blob_in, blob_out, batch_size, db, db_type)
• 数据处理：model.Cast(data_in, “tag”, to=core.DataType.Float)/Scale(in, out, scale=计算方式如float(1./256))
• 取消梯度计算（当数据是原始输入时，不需要计算梯度，节省时间）：model.StopGradient(in, out)

构建网络：

• 卷积层：conv = brew.conv(model, data, ‘该层标签’, dim_in=, dim_out, kernel=)
• 最大池化层：pool = brew.max_poo(model, 上一层的输出，’该层标签’，kernel = ,stride=)
• 全连接:fc = brew.fc(model,上一层的输出，‘标签’，dim_in=输入维度c*h*w，dim_out=输出维度，一定是一列)
• softmax = brew.softmax(model, 上一层的输出，’标签’)

表现观测：

• accuracy = brew.accuracy(model, [softmax, label], ‘标签’)

计算loss及使用反向传播：

• 交叉熵计算：xent = model.LabelCrossEntropy([softmax, label], xent)
• 平均loss：loss = model.AverageLoss(交叉熵，”标签”)
• 也需要给train添加accuracy
• 添加计算梯度功能：model.AddGradientOperators([loss])
•  获得ITER：ITER = brew.iter(model, “iter”)
• 计算LR：model.LearningRate(ITER, “LR”, base_lr=-0.1, policy=”step”, stepsize=1, gamma=0.999)
• 设置梯度更新常量，只要设置成1就可以：one = model.param_init_net.ConstantFill([], “ONE”, shape=[1], value=1.0)
• 更新权重：for param in model.params:
•                         param_grad = model.param_to_grad[param]
•                         # 设置更新梯度的方式 param = param + param_grad * LR
•                         model.WeightedSum([param, ONE, param_grad, LR], param)

打印模型某层参数（blob）：

• model.Print(‘标签’，[], to_file:是否保存到本地)
• 统计参数: model.Summarize(param, [], to_file=1)

实战：

这里都是初始化网络，只是架构，一切准备就绪。

       train：初始化train网络类train_class——给trian_class添加输入——在train_class中创建网络，返回网络输出——设置trian_class的loss、gradient、反向传播——输出参数结果（acc、loss）

       test：初始化test网络类test_class（init_param=false）——给class添加输入——在class中创建网络——计算输出——显示结果

       deploy：初始化deploy网络类deploy_class——在class中创建网络

def main():
    arg_scope = {"order": "NCHW"}
    train_model = model_helper.ModelHelper(name="mnist_train", arg_scope=arg_scope)
    data, label = AddInput(
        train_model, batch_size=64,
        db=os.path.join(data_folder, 'mnist-trian-nchw-lmdb'),
        db_type='lmdb'
    )
    softmax = LeNetModel(train_model, data)
    AddTrainingOperators(train_model, softmax, label)
    AddBookkeepingOperators(train_model)

    test_model = model_helper.ModelHelper(name="mnst_test", arg_scope=arg_scope,init_params=False)
    data, label = AddInput(test_model,batch_size=64,
                           db=os.path.join(data_folder,'mnist-test-nchw-lmdb'),
                           db_type='lmdb')
    LeNetModel(test_model,data)
    softmax = LeNetModel(test_model, data)
    AddAccuracy(test_model, softmax, label)

    deploy_model = model_helper.ModelHelper(name="mnist_deploy", arg_scope=arg_scope,init_params=False)
    LeNetModel(deploy_model,data)

模型可视化：

• graph = net_drawer.GetPydotGraph(model.net.Proto().op, “name”, rankdir=”LR”)
• display.Image(graph.create_png(), width=)
• 简化图，图的左半部分是正向传播，图的右半部分是反向传播，右边是一组参数更新和汇总   graph = net_drawer.GetPydotGraphMinimal(model.net.Proto().op, “name”, rankdir=”LR”, minimal_dependency=True)
• 显示序列化协议缓冲区，类似caffe的net文件：

  print(str(train_model.param_init_net.Proto())[:400] + '\n...')

运行网络：

        train：在workspace中初始化网络——在ws中创建网络——ws中训练网络——获取训练结果acc、loss，并绘制——保存权重

        test：在workspace中初始化网络——在ws中创建网络——ws中测试网络性能——获取测试结果并绘制

        预加载： 

train：

#初始化参数
workspace.RunNetOnce(train_model.param_init_net)
#创建网络
workspace.CreateNet(train_model.net)
total_iter = 200
accuracy = np.zeros(total_iter)
loss = np.zeros(total_iter)
#训练网络参数
for i in range(total_iter):
    workspace.RunNet(train_model.net.Proto().name)
#记录训练结果
    accuracy[i] = workspace.FetchBlob('accuracy')
    loss[i] = workspace.FetchBlob('loss')

#绘制loss和acc
pyplot.plot(loss, 'b')
pyplot.plot(accuracy, 'r')
pyplot.legend(('Loss', 'Accuracy'), loc='upper right')


#绘制特征图
pyplot.figure()
conv = workspace.FetchBlob('conv1')
#此时conv是n*15*h*W的，通道数=15，我们只需要看一个channel，因此将这一维reshape成1
shape = list(conv.shape)
shape[1] = 1
# We can look into any channel. This of it as a feature model learned
conv = conv[:,15,:,:].reshape(shape)
_ = visualize.NCHW.ShowMultiple(conv)

test:

workspace.RunNetOnce(test_model.param_init_net())
workspace.CreateNet(test_model.net, overwrite=True)

for i in range(100):
    workspace.RunNet(test_model.net.Proto().name)

预加载模型训练：

    #预加载模型测试
    #这里偷懒了，用之前训练或测试用的数据。正常来说，图像被测试前，需要经过 换通道、转成特定格式、resize、归一化进行处理
    blob = workspace.FetchBlob(“data”)
    workspace.ResetWorkspace(root_folder)
    print(“check if any blob left in workspace”)
    #加载模型,加载后不需要再初始化，也不需要在createNet
    predict_net = pe.prepare_prediction_net(os.path.join(root_folder, “mnist_model.minidb”), “minidb”)
    workspace.FeedBlob(“data”, blob)
    workspace.RunNetOnce(predict_net)
    softmax = workspace.FetchBlob(“softmax”)

    #绘制测试结果
    pyplot.figure()
    _ = pyplot.plot(softmax[0], ‘ro’)
    pyplot.title(‘Prediction for the first image’)

os：。。。

今天的文章caffe2学习——0223——使用MNIST数据集训练LeNet-5「建议收藏」分享到此就结束了，感谢您的阅读。