我正在尝试从一个非常简单的Caffe模型中获取权重并将其解释为完全功能的Keras模型。
这是在Caffe中的原始模型定义,我们称之为“simple.prototxt”:
Caffe中的层定义可能看起来很复杂,但它只是将一个尺寸为
以下是其在Keras中的实现,它更加简单:
问题:
尽管两个模型在每一层的参数似乎相似,但问题在于它们的权重形状不相等。我知道Caffe和Keras有不同的形状顺序,但这里并非关注点。
问题在于Keras的最后一个卷积层在第三维上的值与Caffe中的最后一个卷积层不同。请参见下面。
Caffe的权重形状:
Keras的权重形状:
这似乎是奇怪的行为。如您所见,Caffe和Keras中
此外,请注意,
问题:
我是否正确地将模型定义从Caffe解释为Keras?特别是最大池化层及其参数?
非常感谢!
这是在Caffe中的原始模型定义,我们称之为“simple.prototxt”:
input: "im_data"
input_shape {
dim: 1
dim: 3
dim: 1280
dim: 1280
}
layer {
name: "conv1"
type: "Convolution"
bottom: "im_data"
top: "conv1"
param {
lr_mult: 1
decay_mult: 1
}
param {
lr_mult: 2
decay_mult: 0
}
convolution_param {
num_output: 96
kernel_size: 11
pad: 5
stride: 4
}
}
layer {
name: "relu1"
type: "ReLU"
bottom: "conv1"
top: "conv1"
}
layer {
name: "pool1"
type: "Pooling"
bottom: "conv1"
top: "pool1"
pooling_param {
pool: MAX
kernel_size: 3
pad: 0
stride: 2
}
}
layer {
name: "norm1"
type: "LRN"
bottom: "pool1"
top: "norm1"
lrn_param {
local_size: 5
alpha: 0.0001
beta: 0.75
}
}
layer {
name: "conv2"
type: "Convolution"
bottom: "norm1"
top: "conv2"
param {
lr_mult: 1
decay_mult: 1
}
param {
lr_mult: 2
decay_mult: 0
}
convolution_param {
num_output: 256
kernel_size: 5
pad: 2
group: 2
}
}
layer {
name: "relu2"
type: "ReLU"
bottom: "conv2"
top: "conv2"
}
Caffe中的层定义可能看起来很复杂,但它只是将一个尺寸为
1280x1280x3
的图像传递给卷积层,然后进行最大池化并将其传递到最终的卷积层。以下是其在Keras中的实现,它更加简单:
from keras.models import Model
from keras.layers import Input, BatchNormalization,
from keras.activations import relu, softmax
im_data = Input(shape=(1280, 1280, 3),
dtype='float32',
name='im_data')
conv1 = Conv2D(filters=96,
kernel_size=11,
strides=(4, 4),
activation=relu,
padding='same',
name='conv1')(im_data)
pooling1 = MaxPooling2D(pool_size=(3, 3),
strides=(2, 2),
padding='same',
name='pooling1')(conv1)
normalized1 = BatchNormalization()(pooling1) # https://stats.stackexchange.com/questions/145768/importance-of-local-response-normalization-in-cnn
conv2 = Conv2D(filters=256,
kernel_size=5,
activation=relu,
padding='same',
name='conv2')(normalized1)
model = Model(inputs=[im_data], outputs=conv2)
问题:
尽管两个模型在每一层的参数似乎相似,但问题在于它们的权重形状不相等。我知道Caffe和Keras有不同的形状顺序,但这里并非关注点。
问题在于Keras的最后一个卷积层在第三维上的值与Caffe中的最后一个卷积层不同。请参见下面。
Caffe的权重形状:
>>> net = caffe.net('simple.prototxt', 'premade_weights.caffemodel', caffe.TEST)
>>> for i in range(len(net.layers)):
... if len(net.layers[i].blobs) != 0: # if layer has no weights
... print(("name", net._layer_names[i]))
... print("weight_shapes", [v.data.shape for v in net.layers[i].blobs])
('name', 'conv1')
('weight_shapes', [(96, 3, 11, 11), (96,)])
('name', 'conv2')
('weight_shapes', [(256, 48, 5, 5), (256,)])
Keras的权重形状:
>>> for layer in model.layers:
... if len(layer.get_weights()) != 0:
... print(("name", layer.name))
... print(("weight_shapes", [w.shape for w in layer.get_weights()]))
('name', 'conv1')
('weight_shapes', [(11, 11, 3, 96), (96,)])
('name', 'conv2')
('weight_shapes', [(5, 5, 96, 256), (256,)])
这似乎是奇怪的行为。如您所见,Caffe和Keras中
conv1
的形状相同(忽略顺序)。但在Caffe中,conv2
的形状为[(256, 48, 5, 5), (256,)])
,而在Keras中'conv2'的形状为[(5, 5, 96, 256), (256,)]
,请注意,48*2=96
。此外,请注意,
conv2
层直接在最大池化层之后,因此Keras中的最大池化层可能存在问题。问题:
我是否正确地将模型定义从Caffe解释为Keras?特别是最大池化层及其参数?
非常感谢!
ZeroPadding2D
,但不对称填充似乎有所不同。我注意到Caffe的“padding”不影响输出形状,你知道为什么吗?非常感谢您的帮助!我很感激! - ShellRoxconv1
的pad: 5
参数为例,并将其设置为pad: 10
,则该层的形状仍然保持不变(96, 3, 11, 11)
。这是正常的行为吗?如果不是,我想这是另一个答案的问题。 - ShellRoxtf.pad
和"symmetric"
选项创建自己的层。谢谢! - ShellRox