caffe中的“Python”层是什么？

Question

Caffe有一个图层类型"Python" 。

例如，该层类型可以用作损耗层 。
在其他情况下，它用作输入层 。

这层类型是什么？
如何使用这一层？

Answer 1

Prune和Bharat的答案给出了"Python"层的总体目的：通用层，用python而不是c ++实现。

我打算将这个答案作为使用"Python"层的教程。

---

"Python"图层教程

什么是"Python"图层？

请看Prune和Bharat的优秀答案。

先决条件

为了使用'Python"层，你需要用flag编译caffe

WITH_PYTHON_LAYER := 1

在'Makefile.config'设置。

如何实现"Python"层？

"Python"层应该实现为从caffe.Layer基类派生的python类。 该类必须具有以下四种方法：

import caffe
class my_py_layer(caffe.Layer):
  def setup(self, bottom, top):
    pass

  def reshape(self, bottom, top):
    pass

  def forward(self, bottom, top):
    pass

  def backward(self, top, propagate_down, bottom):
    pass

这些方法是什么？

def setup(self, bottom, top) ：当caffe构建网络时，此方法被调用一次。 此函数应检查输入数量（ len(bottom) ）和输出数量（ len(top) ）是否符合预期。
您还应该在此处分配网络的内部参数（即self.add_blobs() ），有关详细信息，请参阅此主题 。
此方法可以访问self.param_str - 从原型文本传递到self.param_str的字符串。 有关更多信息，请参阅此主题 。

def reshape(self, bottom, top) ：只要caffe重塑网络，就会调用此方法。 此函数应分配输出（每个top blob）。 输出的形状通常与bottom的形状有关。

def forward(self, bottom, top) ：从bottom到top实施前进传球。

def backward(self, top, propagate_down, bottom) ：此方法实现反向传播，它从top bottom传播渐变。 propagate_down是len(bottom)的布尔向量，指示应该传播渐变的bottom 。

有关bottom和top输入的更多信息，您可以在本文中找到。

例子
你可以在 这里和这里看到一些简化的python层的例子。
可以在此处找到“移动平均”输出层的示例。

可训练的参数
"Python"层可以具有可训练的参数（如"Conv" ， "InnerProduct"等）。
您可以在此主题和此 主题中找到有关添加可训练参数的更多信息。 在caffe git中还有一个非常简单的例子。

如何在原型文件中添加"Python"图层？

有关细节，请参阅巴拉特的回答。
您需要将以下内容添加到您的原型文本中：

layer {
  name: 'rpn-data'
  type: 'Python'  
  bottom: 'rpn_cls_score'
  bottom: 'gt_boxes'
  bottom: 'im_info'
  bottom: 'data'
  top: 'rpn_labels'
  top: 'rpn_bbox_targets'
  top: 'rpn_bbox_inside_weights'
  top: 'rpn_bbox_outside_weights'
  python_param {
    module: 'rpn.anchor_target_layer'  # python module name where your implementation is
    layer: 'AnchorTargetLayer'   # the name of the class implementation
    param_str: "'feat_stride': 16"   # optional parameters to the layer
  }
}

如何使用pythonic NetSpec接口添加"Python"图层？

这很简单：

import caffe
from caffe import layers as L

ns = caffe.NetSpec()
# define layers here...
ns.rpn_labels, ns.rpn_bbox_targets, \
  ns.rpn_bbox_inside_weights, ns.rpn_bbox_outside_weights = \
    L.Python(ns.rpn_cls_score, ns.gt_boxes, ns.im_info, ns.data, 
             name='rpn-data',
             ntop=4, # tell caffe to expect four output blobs
             python_param={'module': 'rpn.anchor_target_layer',
                           'layer': 'AnchorTargetLayer',
                           'param_str': '"\'feat_stride\': 16"'})

如何使用带有"Python"图层的网络？

从caffe调用python代码是你不必担心的。 Caffe使用boost API从编译的c ++中调用python代码。
你需要做什么？
确保实现你的图层的python模块在$PYTHONPATH这样当caffe import它时 - 它就可以找到了。
例如，如果您的模块my_python_layer.py在/path/to/my_python_layer.py那么

PYTHONPATH=/path/to:$PYTHONPATH $CAFFE_ROOT/build/tools/caffe train -solver my_solver.prototxt

应该工作得很好。

如何测试我的图层？

在使用之前，您应该始终测试您的图层。
测试forward功能完全取决于您，因为每个层具有不同的功能。
测试backward方法很简单 ，因为这种方法只实现了一个forward的渐变，它可以自动进行数值测试！
查看test_gradient_for_python_layer测试实用程序：

import numpy as np
from test_gradient_for_python_layer import test_gradient_for_python_layer

# set the inputs
input_names_and_values = [('in_cont', np.random.randn(3,4)), 
                          ('in_binary', np.random.binomial(1, 0.4, (3,1))]
output_names = ['out1', 'out2']
py_module = 'folder.my_layer_module_name'
py_layer = 'my_layer_class_name'
param_str = 'some params'
propagate_down = [True, False]

# call the test
test_gradient_for_python_layer(input_names_and_values, output_names, 
                               py_module, py_layer, param_str, 
                               propagate_down)

# you are done!

特别通知

值得注意的是，python代码仅在CPU上运行。 因此，如果您计划在网络中间安装Python层，那么如果您计划使用GPU，则会看到性能显着下降。 这是因为caffe需要在调用python层之前将blob从GPU复制到CPU，然后复制回GPU以继续前进/后退传递。
如果python层是输入层或最顶层丢失层，那么这种降级就不那么重要了。
更新： 2017年9月19日PR＃5904合并为主人。 这个PR通过python接口暴露了blob的GPU指针。 您可以直接从python访问blob._gpu_data_ptr和blob._gpu_diff_ptr， 风险自负 。

Answer 2

很简单，它是一个层， 您可以在其中提供实现代码，而不是使用其中一个预定义类型 - 这些类型都由高效函数支持。

如果要定义自定义丢失函数，请继续：自己编写，然后使用Python类型创建图层。 如果您有非标准的输入需求，也许是一些特定于数据的预处理，没问题：自己编写，并使用Python类型创建图层。

Answer 3

Python层与需要编译的C ++层不同，它们的参数需要添加到proto文件中，最后需要在layer_factory中注册层。 如果你编写一个python层，你不必担心这些事情。 层参数可以定义为字符串，可以在python中作为字符串访问。 例如：如果图层中有参数，则可以使用'self.param_str'访问它，前提是在原型文件中定义了param_str。 与其他图层一样，您需要使用以下函数定义类：

• 设置 - 使用从图层变量获取的参数初始化图层
• 前进 - 图层的输入和输出是什么
• 向后 - 给定下一层的预测和渐变，计算前一层的渐变
• 重塑 - 根据需要重塑您的blob

Prototxt示例：

layer {
  name: 'rpn-data'
  type: 'Python'
  bottom: 'rpn_cls_score'
  bottom: 'gt_boxes'
  bottom: 'im_info'
  bottom: 'data'
  top: 'rpn_labels'
  top: 'rpn_bbox_targets'
  top: 'rpn_bbox_inside_weights'
  top: 'rpn_bbox_outside_weights'
  python_param {
    module: 'rpn.anchor_target_layer'
    layer: 'AnchorTargetLayer'
    param_str: "'feat_stride': 16"
  }
}

这里，层的名称是rpn-data，bottom和top分别是层的输入和输出细节。 python_param定义了Python层的参数。 'module'指定图层的文件名。 如果名为“anchor_target_layer.py”的文件位于名为“rpn”的文件夹中，则参数将为“rpn.anchor_target_layer”。 'layer'参数是您的类的名称，在这种情况下它是'AnchorTargetLayer'。 'param_str'是图层的参数，其中包含键'feat_stride'的值16。

与C ++ / CUDA层不同，截至目前，Python层在caffe中的多GPU设置中不起作用，因此使用它们是一个缺点。