如何从train.prototxt创建caffe.deploy。

Question

如何从train.prototxt创建caffe.deploy。

machine-learningneural-networkdeep-learningconv-neural-networkcaffe

8

当我想载入我的部署文件时，会出现以下错误：

File "./python/caffe/classifier.py", line 29, in __init__  
in_ = self.inputs[0]  
IndexError: list index out of range

所以，我移除了数据层：

F1117 23:16:09.485153 21910 insert_splits.cpp:35] Unknown bottom blob 'data' (layer 'conv1', bottom index 0)
*** Check failure stack trace: ***

然后，我从conv1层中删除了bottom: "data"。

之后，我遇到了这个错误：

F1117 23:17:15.363919 21935 insert_splits.cpp:35] Unknown bottom blob 'label' (layer 'loss', bottom index 1)
*** Check failure stack trace: ***

我从损失层中删除了bottom: "label"，然后出现了以下错误：

I1117 23:19:11.171021 21962 layer_factory.hpp:76] Creating layer conv1
I1117 23:19:11.171036 21962 net.cpp:110] Creating Layer conv1
I1117 23:19:11.171041 21962 net.cpp:433] conv1 -> conv1
F1117 23:19:11.171061 21962 layer.hpp:379] Check failed: MinBottomBlobs() <= bottom.size() (1 vs. 0) Convolution Layer takes at least 1 bottom blob(s) as input.
*** Check failure stack trace: ***

我该怎么做才能修复它并创建我的部署文件？

- Carlos Porta

只是让您知道，您的培训和部署文件链接都失效了，您能否替换它们？ - Farid Alijani

抱歉，我已经没有那些文件了。 - Carlos Porta

2个回答

0

除了@Shai的建议外，您可能还想禁用dropout层。

尽管Caffe的作者贾杨清曾经表示，在测试结果上，dropout层对结果影响微乎其微(google group conversation, 2014)，但其他深度学习工具建议在部署阶段禁用dropout(例如lasange)。

- True

1

这取决于您的 Dropout 层实现方式。在某些情况下，您需要用缩放来替换 Dropout 以弥补未被丢弃信号的能量增加：例如，如果您丢弃了 50%，则在测试时间中，通过该层传递的信号强度将增加两倍，您需要将输出缩小 50%。 - Shai

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Shai · Accepted Answer

“train”和“deploy”prototxt有两个主要的区别：

1. 输入数据：在训练时，数据集固定为预处理后的训练数据集（如lmdb/HDF5等），而部署网络则需要以更“随机”的方式处理其他输入数据。
因此，第一个改变就是删除输入层（在TRAIN和TEST阶段推送“data”和“labels”的层）。为了替换这些输入层，你需要添加以下声明：

input: "data"
input_shape: { dim:1 dim:3 dim:224 dim:224 }

声明并不提供网络的实际数据，但它告诉网络应该期望什么形状，允许Caffe预先分配必要的资源。

2. 损失函数：在训练prototxt中的最顶部层定义了训练的损失函数。这通常涉及到真实标签。当部署网络时，您将无法访问这些标签。因此，损失层应该转换为“预测”输出。例如，“SoftmaxWithLoss”层应该被转换为一个简单的“Softmax”层，该层输出类概率而不是对数似然损失。一些其他的损失层已经有了预测作为输入，因此只需要将它们删除即可。

更新：请参见本教程以获取更多信息。