为caffe/pycaffe作弊sheet？
Cheat sheet for caffe / pycaffe?
有谁知道pycaffe的所有重要命令是否都有作弊sheet？
到目前为止，我仅通过 Matlab 界面和终端 + bash 脚本使用 caffe。
我想转向使用 ipython 并完成 ipython 笔记本示例。但是，我发现很难全面了解 python 的 caffe 模块中的所有功能。 （我对 python 也很陌生）。
pycaffe tests and this file 是 python 编码界面的主要入口。
首先，您要选择是使用 Caffe with CPU 还是 GPU。分别调用caffe.set_mode_cpu()或caffe.set_mode_gpu()即可。
网络
pycaffe 接口公开的主要 class 是 Net。它有两个构造函数：
net = caffe.Net('/path/prototxt/descriptor/file', caffe.TRAIN)
只需创建一个 Net（在本例中使用指定用于训练的 数据层 ），或
net = caffe.Net('/path/prototxt/descriptor/file', '/path/caffemodel/weights/file', caffe.TEST)
创建一个 Net 并自动加载保存在提供的 caffemodel 文件中的权重 - 在本例中使用 Data Layer 指定用于测试。
一个Net对象有几个属性和方法。可以找到它们 here。我只会引用我经常使用的那些。
您可以通过 Net.blobs 访问网络 blob。例如
data = net.blobs['data'].data
net.blobs['data'].data[...] = my_image
fc7_activations = net.blobs['fc7'].data
您也可以以类似的方式访问参数（权重）。例如
nice_edge_detectors = net.params['conv1'].data
higher_level_filter = net.params['fc7'].data
好的，现在是实际向网络提供一些数据的时候了。因此，您将使用 backward() 和 forward() 方法。因此，如果您想 class 化单个图像
net.blobs['data'].data[...] = my_image
net.forward() # equivalent to net.forward_all()
softmax_probabilities = net.blobs['prob'].data
如果对计算梯度感兴趣，backward() 方法是等效的。
您可以保存净重以便以后重复使用。只是
的问题
net.save('/path/to/new/caffemodel/file')
求解器
pycaffe 公开的另一个核心组件是Solver。求解器有多种类型，但为了清楚起见，我将只使用 SGDSolver。它是训练咖啡模型所必需的。
您可以使用
实例化求解器
solver = caffe.SGDSolver('/path/to/solver/prototxt/file')
Solver 将封装您正在训练的网络以及用于测试的网络（如果存在）。请注意，它们通常是同一个网络，只是具有不同的 数据层 。可以使用
访问网络
training_net = solver.net
test_net = solver.test_nets[0] # more than one test net is supported
然后，您可以执行求解器迭代，即 forward/backward 通过权重更新，只需输入
solver.step(1)
或运行求解器直到最后一次迭代，
solver.solve()
其他功能
请注意，pycaffe 允许您做更多的事情，例如 specifying the network architecture through a Python class or creating a new Layer type。
这些功能不太常用，但通过阅读测试用例很容易理解。
请注意，Flavio Ferrara 的回答有一个小问题，可能会浪费您很多时间：
net.blobs['data'].data[...] = my_image
net.forward()
如果你的第一层是数据类型层，上面的代码是无效的，因为调用net.forward()时，它会从第一层开始，然后你插入的数据my_image覆盖。所以它不会显示任何错误，但会给你完全不相关的输出。正确的方法是指定起始层和结束层，例如：
net.forward(start='conv1', end='fc')
这是一个 Github LFW 数据集人脸验证实验的存储库，使用 pycaffe 和一些 matlab 代码。我想它会有很大帮助，尤其是 caffe_ftr.py 文件。
https://github.com/AlfredXiangWu/face_verification_experiment
此外，这里有一些使用pycaffe进行图像分类的简短示例代码：
http://codrspace.com/Jaleyhd/caffe-python-tutorial/
http://prog3.com/sbdm/blog/u011762313/article/details/48342495
有谁知道pycaffe的所有重要命令是否都有作弊sheet？ 到目前为止，我仅通过 Matlab 界面和终端 + bash 脚本使用 caffe。
我想转向使用 ipython 并完成 ipython 笔记本示例。但是，我发现很难全面了解 python 的 caffe 模块中的所有功能。 （我对 python 也很陌生）。
pycaffe tests and this file 是 python 编码界面的主要入口。
首先，您要选择是使用 Caffe with CPU 还是 GPU。分别调用caffe.set_mode_cpu()或caffe.set_mode_gpu()即可。
网络
pycaffe 接口公开的主要 class 是 Net。它有两个构造函数：
net = caffe.Net('/path/prototxt/descriptor/file', caffe.TRAIN)
只需创建一个 Net（在本例中使用指定用于训练的 数据层 ），或
net = caffe.Net('/path/prototxt/descriptor/file', '/path/caffemodel/weights/file', caffe.TEST)
创建一个 Net 并自动加载保存在提供的 caffemodel 文件中的权重 - 在本例中使用 Data Layer 指定用于测试。
一个Net对象有几个属性和方法。可以找到它们 here。我只会引用我经常使用的那些。
您可以通过 Net.blobs 访问网络 blob。例如
data = net.blobs['data'].data
net.blobs['data'].data[...] = my_image
fc7_activations = net.blobs['fc7'].data
您也可以以类似的方式访问参数（权重）。例如
nice_edge_detectors = net.params['conv1'].data
higher_level_filter = net.params['fc7'].data
好的，现在是实际向网络提供一些数据的时候了。因此，您将使用 backward() 和 forward() 方法。因此，如果您想 class 化单个图像
net.blobs['data'].data[...] = my_image
net.forward() # equivalent to net.forward_all()
softmax_probabilities = net.blobs['prob'].data
如果对计算梯度感兴趣，backward() 方法是等效的。
您可以保存净重以便以后重复使用。只是
的问题 net.save('/path/to/new/caffemodel/file')
求解器
pycaffe 公开的另一个核心组件是Solver。求解器有多种类型，但为了清楚起见，我将只使用 SGDSolver。它是训练咖啡模型所必需的。
您可以使用
solver = caffe.SGDSolver('/path/to/solver/prototxt/file')
Solver 将封装您正在训练的网络以及用于测试的网络（如果存在）。请注意，它们通常是同一个网络，只是具有不同的 数据层 。可以使用
training_net = solver.net
test_net = solver.test_nets[0] # more than one test net is supported
然后，您可以执行求解器迭代，即 forward/backward 通过权重更新，只需输入
solver.step(1)
或运行求解器直到最后一次迭代，
solver.solve()
其他功能
请注意，pycaffe 允许您做更多的事情，例如 specifying the network architecture through a Python class or creating a new Layer type。 这些功能不太常用，但通过阅读测试用例很容易理解。
请注意，Flavio Ferrara 的回答有一个小问题，可能会浪费您很多时间：
net.blobs['data'].data[...] = my_image
net.forward()
如果你的第一层是数据类型层，上面的代码是无效的，因为调用net.forward()时，它会从第一层开始，然后你插入的数据my_image覆盖。所以它不会显示任何错误，但会给你完全不相关的输出。正确的方法是指定起始层和结束层，例如：
net.forward(start='conv1', end='fc')
这是一个 Github LFW 数据集人脸验证实验的存储库，使用 pycaffe 和一些 matlab 代码。我想它会有很大帮助，尤其是 caffe_ftr.py 文件。
https://github.com/AlfredXiangWu/face_verification_experiment
此外，这里有一些使用pycaffe进行图像分类的简短示例代码：
http://codrspace.com/Jaleyhd/caffe-python-tutorial/ http://prog3.com/sbdm/blog/u011762313/article/details/48342495