caffe多標籤訓練_caffe

最近剛接觸caffe弄了一個caffe多標籤遇到各種蛋疼的問題跟大家分享分享。

一  準備資料這裡用的驗證碼0-9+26個字母字母產生4位元的驗證碼

二  修改caffe源碼涉及到修改的檔案有 

      caffe.proto ,

      convert_imageset.cpp,

      data_layer.cpp,

      io.cpp,

      data_layer.hpp,

      io.hpp 

      具體修改就不介紹了去下面地址下載修改後的檔案然後替換掉原有caffe中的

      檔案下載地址：https://pan.baidu.com/s/1eSP1RUi  

      這裡我們理解一下，caffe原本不支援多標籤分類任務，這裡的主要修改是為了是的caffe支援多標籤分類，我們知道caffe的label原版指定的是整數型且只有１個，看caffe.proto裡面寫的：Datum就是我們的資料層，那麼資料層的label是int32，這就限制了資料label的輸入必須是一個整數，那麼修改他的起點就是從proto裡面開始，加一個labels，數群組類型

      

修改完瞭然後接著修改caffe使用Datum部分代碼，實現對labels的支援

最後修改convert_imageset.cpp，讓他實現對例如如下：

imgs/abc.jpg 1 2 3 4 5

這種類型的多標籤做支援

最終完成這次修改，再編譯一遍就好了

三   製作資料標籤

       圖片路徑 + 對應的標籤   samples/MYL1.bmp 22 34 21 1

四   寫個多分類網路

     

     結構如下:

      name:"LeNet" layer{  name:"mnist"  type:"Data"  top:"data"  top:"label"  include{    phase: TRAIN  }  transform_param{    scale:0.003921568627451  }  data_param{    source:"train_lmdb"    batch_size:64    backend: LMDB  } } layer{  name:"mnist"  type:"Data"  top:"data"  top:"label"  include{    phase: TEST  }  transform_param{    scale:0.003921568627451  }  data_param{    source:"val_lmdb"    batch_size:64    backend: LMDB  } } layer{  name:"conv1"  type:"Convolution"  bottom:"data"  top:"conv1"  param{    lr_mult:1  }  param{    lr_mult:2  }  convolution_param{    num_output:128    kernel_size:7    stride:1    weight_filler{      type:"xavier"    }    bias_filler{      type:"constant"    }  } } layer{  name:"pool1"  type:"Pooling"  bottom:"conv1"  top:"pool1"  pooling_param{    pool: MAX    kernel_size:2    stride:2  } } layer{  name:"conv2"  type:"Convolution"  bottom:"pool1"  top:"conv2"  param{    lr_mult:1  }  param{    lr_mult:2  }  convolution_param{    num_output:128    kernel_size:5    stride:1    weight_filler{      type:"xavier"    }    bias_filler{      type:"constant"    }  } } layer{  name:"pool2"  type:"Pooling"  bottom:"conv2"  top:"pool2"  pooling_param{    pool: MAX    kernel_size:2    stride:1  } } layer{  name:"Relu"  type:"ReLU"  bottom:"pool2"  top:"pool2" } layer{  name:"conv3"  type:"Convolution"  bottom:"pool2"  top:"conv3"  param{    lr_mult:1  }  param{    lr_mult:2  }  convolution_param{    num_output:128    kernel_size:3    stride:1    weight_filler{      type:"xavier"    }    bias_filler{      type:"constant"    }  } } layer{  name:"Relu2"  type:"ReLU"  bottom:"conv3"  top:"conv3" } layer{  name:"conv4"  type:"Convolution"  bottom:"conv3"  top:"conv4"  param{    lr_mult:1  }  param{    lr_mult:2  }  convolution_param{    num_output:128    kernel_size:3    stride:1    weight_filler{      type:"xavier"    }    bias_filler{      type:"constant"    }  } } layer{  name:"Relu3"  type:"ReLU"  bottom:"conv4"  top:"conv4" } layer{  name:"conv5"  type:"Convolution"  bottom:"conv4"  top:"conv5"  param{    lr_mult:1  }  param{    lr_mult:2  }  convolution_param{    num_output:128    kernel_size:3    stride:1    weight_filler{      type:"xavier"    }    bias_filler{      type:"constant"    }  } } layer{  name:"fc81"  type:"InnerProduct"  bottom:"conv5"  top:"fc81"  param{    lr_mult:1  }  param{    lr_mult:2  }  inner_product_param{    num_output:36    weight_filler{      type:"xavier"    }    bias_filler{      type:"constant"    }  } } layer{  name:"fc82"  type:"InnerProduct"  bottom:"conv5"  top:"fc82"  param{    lr_mult:1  }  param{    lr_mult:2  }  inner_product_param{    num_output:36    weight_filler{      type:"xavier"    }    bias_filler{      type:"constant"    }  } } layer{  name:"fc83"  type:"InnerProduct"  bottom:"conv5"  top:"fc83"  param{    lr_mult:1  }  param{    lr_mult:2  }  inner_product_param{    num_output:36    weight_filler{      type:"xavier"    }    bias_filler{      type:"constant"    }  } } layer{  name:"fc84"  type:"InnerProduct"  bottom:"conv5"  top:"fc84"  param{    lr_mult:1  }  param{    lr_mult:2  }  inner_product_param{    num_output:36    weight_filler{      type:"xavier"    }    bias_filler{      type:"constant"    }  } } layer{  name:"slice2"  type:"Slice"  bottom:"label"  top:"l1"  top:"l2"  top:"l3"  top:"l4"  slice_param{    axis:1    slice_point:1    slice_point:2    slice_point:3  } } layer{  name:"accuracy1"  type:"Accuracy"  bottom:"fc81"  bottom:"l1"  top:"accuracy1"  include{    phase: TEST  } } layer{  name:"accuracy2"  type:"Accuracy"  bottom:"fc82"  bottom:"l2"  top:"accuracy2"  include{    phase: TEST  } } layer{  name:"accuracy3"  type:"Accuracy"  bottom:"fc83"  bottom:"l3"  top:"accuracy3"  include{    phase: TEST  } } layer{  name:"accuracy4"  type:"Accuracy"  bottom:"fc84"  bottom:"l4"  top:"accuracy4"  include{    phase: TEST  } } layer{  name:"loss1"  type:"SoftmaxWithLoss"  bottom:"fc81"  bottom:"l1"  top:"loss1"  loss_weight:0.1 } layer{  name:"loss2"  type:"SoftmaxWithLoss"  bottom:"fc82"  bottom:"l2"  top:"loss2"  loss_weight:0.1 } layer{  name:"loss3"  type:"SoftmaxWithLoss"  bottom:"fc83"  bottom:"l3"  top:"loss3"  loss_weight:0.1 } layer{  name:"loss4"  type:"SoftmaxWithLoss"  bottom:"fc84"  bottom:"l4"  top:"loss4"  loss_weight:0.1 }

      然後就可以開始訓練了

      結果如下：