在 caffe windows cpp 中自定义卷积层

Question

我有这个网'RGB2GRAY.prototxt':

name: "RGB2GRAY"
layer {
  name: "data"
  type: "Input"
  top: "data"
  input_param { shape: { dim: 1 dim: 3 dim: 512 dim: 512 } }
}

layer {
    name: "conv1"
    bottom: "data"
    top: "conv1"
    type: "Convolution"
    convolution_param {
        num_output: 1
        kernel_size: 1
        pad: 0
        stride: 1
        bias_term: false
        weight_filler {
        type: "constant"
        value: 1
        }
    }
}

我正在尝试使用此公式将 RGB 转换为灰色的自己的网络

x = 0.299r + 0.587g + 0.114b.

所以基本上，我可以使用 1 的内核大小和自定义权重 (0.299, 0.587, 0.114) 进行卷积。但我不知道如何修改卷积层。我已经设置了权重和偏差，但无法修改过滤器值。我尝试了下面的方法，但它无法更新卷积过滤器。

shared_ptr<Net<float> > net_;
net_.reset(new Net<float>("path of model file", TEST));

const shared_ptr<Blob<float> >& conv_blob = net_->blob_by_name("conv1");
float* conv_weight = conv_blob->mutable_cpu_data();
conv_weight[0] =  0.299;
conv_weight[1] =  0.587;
conv_weight[2] =  0.114;

net_->Forward();

//for dumping the output
const shared_ptr<Blob<float> >& probs = net_->blob_by_name("conv1");
const float* probs_out = probs->cpu_data();

cv::Mat matout(height, width, CV_32F);

for (size_t i = 0; i < height; i++)
{
    for (size_t j = 0; j < width; j++)
    {
        matout.at<float>(i, j) = probs_out[i* width + j];
    }

}
matout.convertTo(matout, CV_8UC1);
cv::imwrite("gray.bmp", matout);

在python中，我发现自定义卷积滤波器更容易，但我需要 C++ 中的解决方案。

Answer 1

只需在您的 C++ 代码中做一个小改动：

// access the convolution layer by its name
const shared_ptr<Layer<float> >& conv_layer = net_->layer_by_name("conv1");
// access the layer's blob that stores weights
shared_ptr<Blob<float> >& weight = conv_layer->blobs()[0];
float* conv_weight = weight->mutable_cpu_data();
conv_weight[0] =  0.299;
conv_weight[1] =  0.587;
conv_weight[2] =  0.114;

实际上，“conv1”指的是你代码中卷积层的输出blob，而不是包含权重的blob，Net<Dtype>::blob_by_name(const string& blob_name)的作用是return blob 存储网络中各层之间的中间结果。

在 caffe windows cpp 中自定义卷积层

Customizing the convolution layer in caffe windows cpp

c++

neural-network

deep-learning

caffe

conv-neural-network