[英]Building custom Caffe layer in python
解析了许多关于在Python中构建Caffe图层的链接后,我仍然难以理解一些概念。 有人可以澄清一下吗?
我仍然缺少的是:
setup()
方法:我应该在这做什么? 为什么在例子中我应该将'底部'参数的长度与'2'进行比较? 为什么它应该是2? 它似乎不是批量大小,因为它是随意的? 据我所知,底部是blob,然后第一个维度是批量大小? reshape()
方法:据我所知'底部'输入参数是下层的blob,'top'参数是上层的blob,我需要根据我的计算的输出形状使用正向传递重塑顶层。 但是,如果这些形状不是从传递变为传球,只有重量变化,为什么我需要在每个前进传球中执行此操作? reshape
和forward
方法使用了'top'输入参数的0个索引。 为什么我需要使用top[0].data=...
或top[0].input=...
而不是top.data=...
和top.input=...
? 这个指数怎么样? 如果我们不使用此顶级列表的其他部分,为什么以这种方式暴露它? 我可以怀疑它或C ++骨干的巧合,但确切地知道它会很好。 reshape()
方法,行:
if bottom[0].count != bottom[1].count
我在这做什么 为什么它的尺寸又是2? 我在这里算什么? 为什么blob(0和1)的两个部分在某些成员( count
)的数量上应该相等?
forward()
方法,我在这行中定义的:
self.diff[...] = bottom[0].data - bottom[1].data
如果我定义它,在前进路径后使用它? 我们可以使用吗?
diff = bottom[0].data - bottom[1].data
相反,在这个方法中稍后计算损失,而不是分配给self
,或者它是否有某种目的?
backward()
方法:这是关于什么的: for i in range(2):
:? 为什么范围又是2?
backward()
方法, propagate_down
参数:为什么定义? 我的意思是如果它的True,渐变应该被分配给我的bottom[X].diff
,但是为什么有人会调用一些方法,如果它什么都不做并且仍然在里面循环,它会对propagate_down = False
无效。 对不起,如果这些问题太明显了,我就无法找到一个好的指南来理解它们并在这里寻求帮助。
你在这里问了很多问题,我会给你一些亮点和指示,希望能为你澄清一些问题。 我不会明确回答你的所有问题。
看起来你对blob和图层的输入/输出之间的区别最为困惑。 事实上,大多数的层具有单个斑点作为输入和单个斑点作为输出,但它并非总是如此。 考虑一个损失层:它有两个输入:预测和地面实况标签。 因此,在这种情况下, bottom
是长度为2 (!)的向量, bottom[0]
是表示预测的(4-D)斑点,而bottom[1]
是带有标签的另一个斑点。 因此,在构建这样的图层时,您必须确定您具有完全(硬编码)的2个输入blob(例如,参见AccuracyLayer
定义中的ExactNumBottomBlobs()
)。
对于top
blob也是如此:在大多数情况下,每层都有一个top
,但并非总是如此(参见例如AccuracyLayer
)。 因此, top
也是4-D blob的向量 ,每个top
一个blob。 大多数情况下,该向量中只有一个元素,但有时您可能会找到多个元素。
我相信这涵盖了您的问题1,3,4和6。
从reshape()
(Q.2)开始,每次正向传递都不会调用此函数,只有在设置net以为输入/输出和参数分配空间时才会调用此函数。
有时,您可能希望更改网络的输入大小(例如,对于检测网络),然后您需要为网络的所有层调用reshape()
以适应新的输入大小。
至于propagate_down
参数(Q.7):由于一个图层可能有一个以上的bottom
,原则上你需要在backprop期间将渐变传递给所有 bottom
。 但是,损耗层label
底部的渐变是什么意思? 有些情况下,您不希望传播到所有 bottom
:这是此标志的用途。 (这是一个带有三个bottom
s的损失层的示例 ,期望所有这些都具有渐变)。
有关更多信息,请参阅此"Python"
图层教程 。
为什么它应该是2?
那个具体的要点是谈论欧几里德损失层。 欧几里德损失是2个向量之间的均方误差。 因此,输入blob中必须有2个向量到此层。 每个向量的长度必须相同,因为它是元素差异。 您可以在重塑方法中看到此检查。
谢谢。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.