1、caffe 的 Matlab 接口的使用方法編譯 MatCaffe 使用如下命令編譯 MatCaffe 1 make allmatcaffe 之后，你可以用以下命令測(cè)試 MatCaffe ：1 make mattest如果你在運(yùn)行上面命令時(shí)，遇到如下錯(cuò)誤： libstdc+.so.6 versionGLIBCXX_3.4.15 not found ，說(shuō)明你的 Matlab 庫(kù) 不匹配。你需要在啟動(dòng) Matlab 之前運(yùn)行如下命令： 1 exportLD_LIBRARY_PATH=/opt/intel/mkl/lib/intel64:/usr/local/cuda/lib642 exportLD

2、_PRELOAD=/usr/lib/x86_64-linux-gnu/libstdc+.so.6 在 Caffe根目錄啟動(dòng) Matlab 之后需要增加路徑： 1 addpath ./matlab 你可以使用 savepath 來(lái)保存 Matlab 搜索路徑，這樣下次就不 用再添加路徑了。使用 MatCaffe MatCaffe 和 PyCaffe 的使用方法很相似。面將用一個(gè)例子來(lái)解釋 MatCaffe 的具體使用細(xì)節(jié)， 假設(shè)你已經(jīng)下載了 BVLC CaffeNet ，并且在 caffe 根目錄啟動(dòng) matlab1 model = ./models/bvlc_reference_caffene

3、t/totxt;2weights =./models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel;1. 設(shè)置模式和設(shè)備模式和設(shè)備的設(shè)置必須在創(chuàng)建一個(gè) net 或 solver 之前。使用 CPU ：1 caffe.set_mode_cpu();使用 GPU 并指定 gpu_id ：1 caffe.set_mode_gpu();2 caffe.set_device(gpu_id);2. 創(chuàng)建一個(gè)網(wǎng)絡(luò)并訪問(wèn)它的 layers 和 blobs1. 創(chuàng)建網(wǎng)絡(luò)創(chuàng)建一個(gè)網(wǎng)絡(luò)：1 net = caffe.Net(m

4、odel, weights, test); % create net and loadweights 或者1 net = caffe.Net(model, test); % create net but not load weights2net.copy_from(weights); % load weights 它可以創(chuàng)建一個(gè)如下的net 對(duì)象：Net with properties: layer_vec: 1x23blob_vec: 1x15 caffe.Blobinputs: data outputs: prob name2layer_index: 23x1containers.Map

5、name2blob_index: 15x1 containers.Maplayer_names: 23x1 cell blob_names: 15x1 cell 兩個(gè)containers.Map 對(duì)象可以通過(guò) layer 或者 blob 的名稱找 到對(duì)應(yīng)的索引。caffe.Layer2. 訪問(wèn) blob你可以訪問(wèn)網(wǎng)絡(luò)中的每一個(gè) blob ，將 data 的 blob 填充為全net.blobs(data).set_data(ones(net.blobs(data).shape);將 data 的 blob 中數(shù)值全部乘以 10 ：net.blobs(data).set_data(net.blo

6、bs(data).get_data() * 10); 注意：因?yàn)?Matlab 是以 1 作為起始單元，且以列為主，在 Matlab 中使用四維 blob 為 width, height, channels, num ，且 width 是最快的維度，而且要在 BGR 通道。而且 Caffe 使用 單精度浮點(diǎn)型數(shù)據(jù)。如果你的數(shù)據(jù)不是浮點(diǎn)型的， set_data 將會(huì)自動(dòng)轉(zhuǎn)換為 single 。3. 訪問(wèn) layer 你也可以訪問(wèn)網(wǎng)絡(luò)的每一層， 以便你作一些網(wǎng)絡(luò)調(diào)整。例如 把 conv1 參數(shù)乘以 10： net.params(conv1,1).set_data(net.params(conv1,

7、 1).get_data()* 10); % set weightsnet.params(conv1,2).set_data(net.params(conv1, 2).get_data() * 10); % set bias 你也可以如下代碼：net.layers(conv1).params(1).set_data(net.layers(conv1).params(1).get_data() *10);net.layers(conv1).params(2).set_data(net.layers(conv1).params(2).get_data() * 10);4. 保存網(wǎng)絡(luò) 你僅僅需要如下

8、代碼保存網(wǎng)絡(luò)：net.save(my_net.caffemodel);5. 獲得一層的類型 (string)layer_type = net.layers(conv1).type;3. 前向和后向計(jì)算前向和后向計(jì)算可以使用 net.forward 或者 net.forward_prefilled 實(shí)現(xiàn)。函數(shù) net.forward 將一個(gè)包含輸入 blob(s)的 cell 數(shù)組作為輸入，并輸出一個(gè)包含輸出blob(s)的cell 數(shù)組。函數(shù) net.forward_prefilled 將使用輸入 blob(s)中的 已有數(shù)據(jù)進(jìn)行計(jì)算，沒(méi)有輸入數(shù)據(jù)，沒(méi)有輸出數(shù)據(jù)。在通過(guò)一些方法(如： data

9、 = rand(net.blobs(data).shape);)產(chǎn) 生輸入數(shù)據(jù)后，你可以運(yùn)行：res = net.forward(data);prob = res1;或者net.blobs(data).set_data(data);net.forward_prefilled();prob =net.blobs(prob).get_data();后向計(jì)算使用 net.backward 或者 net.backward_prefilled ，并且 把get_data 和 set_data 替換為 get_diff 和 set_diff。在通過(guò)一 些方法(例如 prob_diff = rand(net

10、.blobs(prob).shape); )產(chǎn)生 輸出blobs 的梯度后，你可以運(yùn)行：res = net.backward(prob_diff);data_diff = res1;或者net.blobs(prob).set_diff(prob_diff);net.backward_prefilled();data_diff = net.blobs(data).get_diff();然而，如上的后向計(jì)算并不能得到正確的結(jié)果，因?yàn)?Caffe 默認(rèn)網(wǎng)絡(luò)不需要后向計(jì)算。為了獲取正確的后向計(jì)算結(jié)果， 你需要在你的網(wǎng)絡(luò) prototxt 文件中設(shè)置 force_backward: true 在完成前向

11、和后向計(jì)算之后，你可以獲得中間 blobs 的 data 和 diff 。例如，你可以在前向計(jì)算后獲取 pool5 的特征。4. Reshape假設(shè)你想要運(yùn)行 1 幅圖像，而不是 10 幅時(shí)：net.blobs(data).reshape(227 227 3 1); % reshape blobdatanet.reshape();然后，整個(gè)網(wǎng)絡(luò)就 reshape 了，此時(shí) net.blobs(prob).shape 應(yīng) 該是1000 1;5. 訓(xùn)練網(wǎng)絡(luò)假設(shè)你按照 ImageNET Tutorial 的方法創(chuàng)建了訓(xùn)練 lmdb 和驗(yàn) 證lmdb ，產(chǎn)生一個(gè) solver 并且在 ILSVRC 2

12、012 分類數(shù)據(jù)集 上訓(xùn)練：solver =caffe.Solver(./models/bvlc_reference_caffenet/totxt); 這樣可以創(chuàng)建一個(gè) solver 對(duì)象：Solver with properties:net: 1x1 caffe.Nettest_nets: 1x1 caffe.Net訓(xùn)練代碼： solver.solve();如果只想訓(xùn)練迭代 1000 次： solver.step(1000);來(lái)獲取迭代數(shù)量： iter = solver.iter();來(lái)獲取這個(gè)網(wǎng)絡(luò)：train_net = ;test_net = solver.test_

13、nets(1); 假設(shè)從一個(gè)snapshot 中恢復(fù)網(wǎng)絡(luò)訓(xùn)練：solver.restore(your_snapshot.solverstate);6. 輸入和輸出caffe.io 類提供了基本的輸入函數(shù) load_image 和 read_mean。 例如，讀取 ILSVRC 2012 mean 文件(假設(shè)你已經(jīng)通過(guò)運(yùn)行 ./data/ilsvrc12/get_ilsvrc_aux.sh 下載 imagenet 例程輔助文 件)mean_data=caffe.io.read_mean(./data/ilsvrc12/imagenet_mean.binaryproto)為了讀取 Caffe 例程

14、圖片，并且 resize 到 width, height ，且 假設(shè) width = 256; height = 256;im_data =caffe.io.load_image(./examples/images/cat.jpg);im_data =imresize(im_data, width, height); % resize using Matlabs imresize注意：width 是最快的維度，通道為BGR，與 Matlab 存取圖片的一般方式不一樣。如果你不想要使用caffe.iooad_image，且想自己導(dǎo)入一幅圖片：im_data = imread(./examples/images/cat.jpg); % readimageim_data = im_data(:, :, 3, 2, 1); % convert from RGB toBGRim_data = permute(im_data, 2, 1, 3); % permute width andheightim_data = single(im_data); % convert to single precision你也可以看一下 caffe/mat