Caffe : Layer Catalogue
Posted 静悟生慧
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Caffe : Layer Catalogue相关的知识,希望对你有一定的参考价值。
TanH / Hyperbolic Tangent
- 类型(type):TanH
- CPU 实现: ./src/caffe/layers/tanh_layer.cpp
-
CUDA、GPU实现: ./src/caffe/layers/tanh_layer.cu
-
例子
layer { name: "layer" bottom: "in" top: "out" type: "TanH" }
对于每一个输入值x,TanH layer的输出为tanh(x)。
-
Absolute Value
- 类型(type):AbsVal
- CPU 实现: ./src/caffe/layers/absval_layer.cpp
-
CUDA、GPU实现: ./src/caffe/layers/absval_layer.cu
-
例子
-
layer { name: "layer" bottom: "in" top: "out" type: "AbsVal" }
对于每一个输入值x,AbsVal layer的输出为abs(x)。
Power
-
- 类型(type):Power
- CPU 实现: ./src/caffe/layers/power_layer.cpp
- CUDA、GPU实现: ./src/caffe/layers/power_layer.cu
-
参数 (power_param):
- 可选:
- power [default 1](指数,默认为1)
- scale [default 1](比例,默认为1)
- shift [default 0](偏移,默认为0)
- 可选:
-
例子
layer { name: "layer" bottom: "in" top: "out" type: "Power" power_param { power: 1 scale: 1 shift: 0 } }
对于每一个输入值x,Power layer的输出为(shift + scale * x) ^ power。
BNLL
- 类型(type):BNLL(二项正态对数似然,binomial normal log likelihood)
- CPU 实现: ./src/caffe/layers/bnll_layer.cpp
- CUDA、GPU实现: ./src/caffe/layers/bnll_layer.cu
- 例子
-
layer { name: "layer" bottom: "in" top: "out" type: BNLL }
对于每一个输入值x,BNLL layer的输出为log(1 + exp(x))。
- --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
-
Data Layers
Data 通过Data Layers进入Caffe,Data Layers位于Net的底部。
Data 可以来自:1、高效的数据库(LevelDB 或 LMDB);2、内存;3、HDF5或image文件(效率低)。
基本的输入预处理(例如:减去均值,缩放,随机裁剪,镜像处理)可以通过指定TransformationParameter达到。Database
- 类型(type):Data(数据库)
- 参数:
- 必要:
- source: the name of the directory containing the database(数据库名称)
- batch_size: the number of inputs to process at one time(每次处理的输入的数据量)
- 可选:
- rand_skip: skip up to this number of inputs at the beginning; useful for asynchronous sgd(在开始的时候跳过这个数值量的输入;这对于异步随机梯度下降是非常有用的)
- backend [default LEVELDB]: choose whether to use a LEVELDB or LMDB(选择使用LEVELDB 数据库还是LMDB数据库,默认为LEVELDB)
- 必要:
In-Memory
- 类型(type):MemoryData
- 参数:
- 必要:
- batch_size, channels, height, width: specify the size of input chunks to read from memory(4个值,确定每次读取输入数据量的大小)
- 必要:
Memory Data Layer从内存直接读取数据(而不是复制数据)。使用Memory Data Layer之前,必须先调用,MemoryDataLayer::Reset(C++方法)或Net.set_input_arrays(Python方法)以指定一个source来读取一个连续的数据块(4D,按行排列),每次读取大小由batch_size决定。
HDF5 Input
- 类型(type):HDF5Data
- 参数:
- 必要:
- source: the name of the file to read from(读取的文件的名称)
- batch_size(每次处理的输入的数据量)
- 必要:
HDF5 Output
- 类型(type):HDF5Output
-
参数:
- 必要:
- file_name: name of file to write to(写入的文件的名称)
HDF5 output layer与这部分的其他layer的功能正好相反,不是读取而是写入。
- 必要:
Images
- 类型(type):ImageData
- 参数:
- 必要:
- source: name of a text file, with each line giving an image filename and label(一个text文件的名称,每一行指定一个image文件名和label)
- batch_size: number of images to batch together(每次处理的image的数据)
- 可选:
- rand_skip: (在开始的时候跳过这个数值量的输入)
- shuffle [default false](是否随机乱序,默认为否)
-new_height, new_width: if provided, resize all images to this size(缩放所有的image到新的大小)
- 必要:
Windows
- 类型(type):WindowData
- (没有详解)
Dummy
- 类型(type):DummyData
DummyData 用于开发和测试,详见DummyDataParameter(没有给出链接)。
- --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
-
Common Layers
Inner Product
- 类型(type):Inner Product(全连接层)
- CPU 实现: ./src/caffe/layers/inner_product_layer.cpp
- CUDA、GPU实现: ./src/caffe/layers/inner_product_layer.cu
-
参数 (inner_product_param):
- 必要:
- num_output (c_o): the number of filters(滤波器数目)
- 强烈推荐:
- weight_filler [default type: ‘constant’ value: 0](滤波器权重;默认类型为constant,默认值为0)
- 可选:
- bias_filler [default type: ‘constant’ value: 0](bias-偏置项的值,默认类型为constant,默认值为0)
- bias_term [default true]: specifies whether to learn and apply a set of additive biases to the filter outputs(是否添加bias-偏置项,默认为True)
- 必要:
-
输入(Input)
- n * c_i * h_i * w_i
-
输出(Output)
- n * c_o * 1 * 1
-
例子
layer { name: "fc8" # 名称:fc8 type: "InnerProduct" # 类型:全连接层 # 权重(weights)的学习速率因子和衰减因子 param { lr_mult: 1 decay_mult: 1 } # 偏置项(biases)的学习速率因子和衰减因子 param { lr_mult: 2 decay_mult: 0 } inner_product_param { num_output: 1000 # 1000个滤波器(filters) weight_filler { type: "gaussian" # 初始化高斯滤波器(Gaussian) std: 0.01 # 标准差为0.01, 均值默认为0 } bias_filler { type: "constant" # 初始化偏置项(bias)为零 value: 0 } } bottom: "fc7" # 输入层:fc7 top: "fc8" # 输出层:fc8 }
InnerProduct layer(常被称为全连接层)将输入视为一个vector,输出也是一个vector(height和width被设为1)
Splitting
- 类型(type):Split
Split layer用于将一个输入的blob分离成多个输出的blob。这用于当需要将一个blob输入至多个输出layer时。
Flattening
- 类型(type):Flatten
Flatten layer用于把一个维度为n * c * h * w的输入转化为一个维度为 n * (c*h*w)的向量输出。
Reshape
- 类型(type):Reshape
- CPU 实现: ./src/caffe/layers/reshape_layer.cpp
- CUDA、GPU实现: 尚无
-
参数 (reshape_param):
- 可选:
- shape(改变后的维度,详见下面解释)
- 可选:
-
输入(Input)
- a single blob with arbitrary dimensions(一个任意维度的blob)
-
输出(Output)
- the same blob, with modified dimensions, as specified by reshape_param(相同内容的blob,但维度根据reshape_param改变)
-
例子
layer { name: "reshape" # 名称:reshape type: "Reshape" # 类型:Reshape bottom: "input" # 输入层名称:input top: "output" # 输出层名称:output reshape_param { shape { dim: 0 # 这个维度与输入相同 dim: 2 dim: 3 dim: -1 # 根据其他维度自动推测 } } }
Reshape layer只改变输入数据的维度,但内容不变,也没有数据复制的过程,与Flatten layer类似。
输出维度由reshape_param 指定,正整数直接指定维度大小,下面两个特殊的值:
- 0 => 表示copy the respective dimension of the bottom layer,复制输入相应维度的值。
- -1 => 表示infer this from the other dimensions,根据其他维度自动推测维度大小。reshape_param中至多只能有一个-1。
再举一个例子:如果指定reshape_param参数为:{ shape { dim: 0 dim: -1 } } ,那么输出和Flattening layer的输出是完全一样的。
Concatenation
- 类型(type):Concat(连结层)
- CPU 实现: ./src/caffe/layers/concat_layer.cpp
- CUDA、GPU实现: ./src/caffe/layers/concat_layer.cu
-
参数 (concat_param):
- 可选:
- axis [default 1]: 0 for concatenation along num and 1 for channels.(0代表连结num,1代表连结channel)
- 可选:
-
输入(Input)
-n_i * c_i * h * w for each input blob i from 1 to K.(第i个blob的维度是n_i * c_i * h * w,共K个) -
输出(Output)
- if axis = 0: (n_1 + n_2 + … + n_K) * c_1 * h * w, and all input c_i should be the same.(axis = 0时,输出 blob的维度为(n_1 + n_2 + … + n_K) * c_1 * h * w,要求所有的input的channel相同)
- if axis = 1: n_1 * (c_1 + c_2 + … + c_K) * h * w, and all input n_i should be the same.(axis = 0时,输出 blob的维度为n_1 * (c_1 + c_2 + … + c_K) * h * w,要求所有的input的num相同)
-
例子
layer { name: "concat" bottom: "in1" bottom: "in2" top: "out" type: "Concat" concat_param { axis: 1 } }
Concat layer用于把多个输入blob连结成一个输出blob。
Slicing
Slice layer用于将一个input layer分割成多个output layers,根据给定的维度(目前只能指定num或者channel)。
- 类型(type):Slice
- 例子
-
layer { name: "slicer_label" type: "Slice" bottom: "label" ## 假设label的维度是:N x 3 x 1 x 1 top: "label1" top: "label2" top: "label3" slice_param { axis: 1 # 指定维度为channel slice_point: 1 # 将label[~][1][~][~]赋给label1 slice_point: 2 # 将label[~][2][~][~]赋给label2 # 将label[~][3][~][~]赋给label3 } }
axis表明是哪一个维度,slice_point是该维度的索引,slice_point的数量必须是top blobs的数量减1.
Elementwise Operations
- 类型(type): Eltwise
- (没有详解)
Argmax
- 类型(type):ArgMax
- (没有详解)
Softmax
- 类型(type):Softmax
- (没有详解)
Mean-Variance Normalization
- 类型(type):MVN
- (没有详解)
以上是关于Caffe : Layer Catalogue的主要内容,如果未能解决你的问题,请参考以下文章