如何从 train.prototxt 创建 caffe.deploy
How to create caffe.deploy from train.prototxt
这是我的train.prototxt. And this is my deploy.prototxt。
当我想要加载我的部署文件时，出现了这个错误：
File "./python/caffe/classifier.py", line 29, in __init__
in_ = self.inputs[0]
IndexError: list index out of range
所以，我删除了数据层：
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，我得到了这个错误：
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"。我得到了这个错误：
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: ***
我应该如何修复它并创建我的部署文件？
"train" prototxt 和 "deploy" 之间有两个主要区别：
1.输入： 虽然训练数据固定为经过预处理的训练数据集（lmdb/HDF5 等），但部署网络需要它以更 "random" 的方式处理其他输入。
因此，第一个更改是删除输入层（在 TRAIN 和 TEST 阶段推送 "data" 和 "labels" 的层）。要替换输入层，您需要添加以下声明：
input: "data"
input_shape: { dim:1 dim:3 dim:224 dim:224 }
此声明不提供网络的实际数据，但它告诉网络期望的形状，允许 caffe 预先分配必要的资源。
2。损失： 训练原型中的最顶层定义了训练的损失函数。这通常涉及地面实况标签。部署网络时，您无法再访问这些标签。因此，损失层应转换为 "prediction" 输出。例如，"SoftmaxWithLoss" 层应转换为简单的 "Softmax" 层，输出 class 概率而不是对数似然损失。其他一些损失层已经有预测作为输入，因此只需删除它们就足够了。
更新：有关详细信息，请参阅this tutorial。
除了@Shai 的建议，您可能还想禁用 dropout 层。
虽然Caffe的作者贾扬清曾说过dropout层对测试结果的影响可以忽略不计(google group conversation, 2014), other Deeplearning tools suggest to disable dropout in the deploy phase (for example, lasange)。
这是我的train.prototxt. And this is my deploy.prototxt。
当我想要加载我的部署文件时，出现了这个错误：
File "./python/caffe/classifier.py", line 29, in __init__ in_ = self.inputs[0] IndexError: list index out of range
所以，我删除了数据层：
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，我得到了这个错误：
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"。我得到了这个错误：
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: ***
我应该如何修复它并创建我的部署文件？
"train" prototxt 和 "deploy" 之间有两个主要区别：
1.输入： 虽然训练数据固定为经过预处理的训练数据集（lmdb/HDF5 等），但部署网络需要它以更 "random" 的方式处理其他输入。
因此，第一个更改是删除输入层（在 TRAIN 和 TEST 阶段推送 "data" 和 "labels" 的层）。要替换输入层，您需要添加以下声明：
input: "data"
input_shape: { dim:1 dim:3 dim:224 dim:224 }
此声明不提供网络的实际数据，但它告诉网络期望的形状，允许 caffe 预先分配必要的资源。
2。损失： 训练原型中的最顶层定义了训练的损失函数。这通常涉及地面实况标签。部署网络时，您无法再访问这些标签。因此，损失层应转换为 "prediction" 输出。例如，"SoftmaxWithLoss" 层应转换为简单的 "Softmax" 层，输出 class 概率而不是对数似然损失。其他一些损失层已经有预测作为输入，因此只需删除它们就足够了。
更新：有关详细信息，请参阅this tutorial。
除了@Shai 的建议，您可能还想禁用 dropout 层。
虽然Caffe的作者贾扬清曾说过dropout层对测试结果的影响可以忽略不计(google group conversation, 2014), other Deeplearning tools suggest to disable dropout in the deploy phase (for example, lasange)。