在 caffe 中 “個人化定製” data_param參數_深度學習

看到題目，可能有的朋友還不太理解這一篇博文主要是要幹嘛的，下面我先來舉一個簡單的例子。
先做一個簡單的假設：假設你已經看了我之前的博文：用 caffe 做迴歸（下），即使上面的假設不成立，也沒有關係。該博文主要是講解用caffe做迴歸任務的時候對data_layer.cpp的修改。此處我想讓大家關注的是，裡面用到的一個變數聲明：

  int labelNum = 4;  //表示標籤的數量為4

對於“強迫症”來說，在裡面寫這樣的一個聲明是很不美觀的。另外，當標籤的數量發生變化的時候（比如變成10），還需要在這裡把4修改為10，然後重新編譯caffe。這樣對於使用的人來說是很不友好的。
於是我又看到了這樣的一句代碼：

const int batch_size = this->layer_param_.data_param().batch_size(); 

這裡的batch_size 不就是我們的網路結構設定檔（比如：train_test.prototxt）中的data_param 中的參數嗎。
那我能不能有下面的代碼：

const int labelNum = this->layer_param_.data_param().label_num(); 

這樣一來，我是不是直接在原來的 train_test.prototxt 檔案中：

  data_param {    source: "examples/mnist/mnist_train_lmdb"    batch_size: 64    backend: LMDB  }

增加label_num: 4 一項，即：

  data_param {    source: "examples/mnist/mnist_train_lmdb"    batch_size: 64    backend: LMDB    label_num: 4  }

是不是就可以解決我上面遇到的問題了呢。當我需要把標籤的數量從4改為10的時候，也只需要在 train_test.prototxt 檔案中修改，並不需要開啟 data_later.cpp，也不需要重新編譯caffe。
經過一番驗證，上面的猜想是完全可行的。哈哈，說的自己好像是第一個發現一樣，其實早就有很多人這麼做～～

那麼下面我就來說一說具體的做法（其實很簡單）：
要想在data_param 中添加 label_num 這個參數，需要在 src/caffe/proto/caffe.proto 檔案中對應的位置上加上對label_num 這一參數的聲明： 開啟caffe.proto 檔案，ctrl+F找到對message DataParameter 部分的定義，到這裡會發現，原來我們在train_test.prototxt的資料層中看到的batch_size mean_file crop_size 等等這些熟悉的“面孔”都是在這裡最初聲明的（到這裡似乎已經明白了什麼，對的往下看）； 我們只需要在

optional uint32 prefetch = 10 [default = 4];

的後面加上：

optional uint32 label_num = 11;

就完成了對caffe.proto 的修改。 最後在重新在caffe的根目錄下重新make編譯一下caffe，就可以像上面說的那樣使用label_num了。

下面還有一些需要注意的地方： 如果定義的參數是float類型或者bool類型的，記得要將uint32改成相應的類型； 建議定義參數的時候使用小寫字母。也就是像label_num ，而不要label_Num 。我在實際使用的時候發現如果使用大寫，則在後面的train_test.prototxt中也需要用大寫，而在data_layer.cpp中使用的時候反而要用小寫函數名比如：label_num() 。貌似是這個規律～～

另外，這邊博文的思想可以使用到我的另外一篇博文中：
在 caffe 的 data_later.cpp 中做資料增強
如果在做資料增強過程中需要用到某些參數，也可以直接通過data_param 傳遞。

大概就是這樣了～