caffe的Matlab接口的使用方法

编译MatCaffe

使用如下命令编译MatCaffe

make all matcaffe

之后，你可以用以下命令测试MatCaffe：

make mattest

如果你在运行上面命令时，遇到如下错误：libstdc++.so.6 version ‘GLIBCXX_3.4.15’ not found，说明你的Matlab库不匹配。你需要在启动Matlab之前运行如下命令：

export LD_LIBRARY_PATH=/opt/intel/mkl/lib/intel64:/usr/local/cuda/lib64
export LD_PRELOAD=/usr/lib/x86_64-linux-gnu/libstdc++.so.6

在Caffe根目录启动Matlab之后需要增加路径：

addpath ./matlab

你可以使用savepath来保存Matlab搜索路径，这样下次就不用再添加路径了。

---

使用MatCaffe

MatCaffe 和 PyCaffe 的使用方法很相似。

下面将用一个例子来解释MatCaffe的具体使用细节，假设你已经下载了BVLC CaffeNet，并且在caffe根目录启动matlab。

model = './models/bvlc_reference_caffenet/deploy.prototxt';
weights = './models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel';

1.设置模式和设备

模式和设备的设置必须在创建一个net或solver之前。

使用CPU：

caffe.set_mode_cpu();

使用GPU并指定gpu_id：

caffe.set_mode_gpu();
caffe.set_device(gpu_id);

2.创建一个网络并访问它的layers和blobs

1.创建网络

创建一个网络：

net = caffe.Net(model, weights, 'test'); % create net and load weights

或者

net = caffe.Net(model, 'test'); % create net but not load weights
net.copy_from(weights); % load weights

它可以创建一个如下的net对象：

  Net with properties:
           layer_vec: [1x23 caffe.Layer]
            blob_vec: [1x15 caffe.Blob]
              inputs: {'data'}
             outputs: {'prob'}
    name2layer_index: [23x1 containers.Map]
     name2blob_index: [15x1 containers.Map]
         layer_names: {23x1 cell}
          blob_names: {15x1 cell}

两个containers.Map对象可以通过layer或者blob的名称找到对应的索引。

2.访问blob

你可以访问网络中的每一个blob，将data的blob填充为全一：

net.blobs('data').set_data(ones(net.blobs('data').shape));

将data的blob中数值全部乘以10：

net.blobs('data').set_data(net.blobs('data').get_data() * 10);

注意：因为Matlab是以1作为起始单元，且以列为主，在Matlab中使用四维blob为[width, height, channels, num]，且width是最快的维度，而且要在BGR通道。而且Caffe使用单精度浮点型数据。如果你的数据不是浮点型的，set_data将会自动转换为single。

3.访问layer

你也可以访问网络的每一层，以便你作一些网络调整。例如把conv1参数乘以10：

net.params('conv1', 1).set_data(net.params('conv1', 1).get_data() * 10); % set weights
net.params('conv1', 2).set_data(net.params('conv1', 2).get_data() * 10); % set bias

你也可以如下代码：

net.layers('conv1').params(1).set_data(net.layers('conv1').params(1).get_data() * 10);
net.layers('conv1').params(2).set_data(net.layers('conv1').params(2).get_data() * 10);

4.保存网络

你仅仅需要如下代码保存网络：

net.save('my_net.caffemodel');

5.获得一层的类型(string)

layer_type = net.layers('conv1').type;

3.前向和后向计算

前向和后向计算可以使用net.forward或者net.forward_prefilled实现。函数net.forward将一个包含输入blob(s)的cell数组作为输入，并输出一个包含输出blob(s)的cell数组。函数net.forward_prefilled将使用输入blob(s)中的已有数据进行计算，没有输入数据，没有输出数据。

在通过一些方法（如：data = rand(net.blobs('data').shape);）产生输入数据后，你可以运行：

res = net.forward({data});
prob = res{1};

或者

net.blobs('data').set_data(data);
net.forward_prefilled();
prob = net.blobs('prob').get_data();

后向计算使用net.backward或者net.backward_prefilled，并且把get_data和set_data替换为get_diff和set_diff。在通过一些方法（例如prob_diff = rand(net.blobs('prob').shape);）产生输出blobs的梯度后，你可以运行：

res = net.backward({prob_diff});
data_diff = res{1};

或者

net.blobs('prob').set_diff(prob_diff);
net.backward_prefilled();
data_diff = net.blobs('data').get_diff();

然而，如上的后向计算并不能得到正确的结果，因为Caffe默认网络不需要后向计算。为了获取正确的后向计算结果，你需要在你的网络prototxt文件中设置force_backward: true

在完成前向和后向计算之后，你可以获得中间blobs的data和diff。例如，你可以在前向计算后获取pool5的特征。

4.Reshape

假设你想要运行1幅图像，而不是10幅时：

net.blobs('data').reshape([227 227 3 1]); % reshape blob 'data'
net.reshape();

然后，整个网络就reshape了，此时net.blobs('prob').shape应该是[1000 1];

5.训练网络

假设你按照ImageNET Tutorial的方法创建了训练lmdb和验证lmdb，产生一个solver并且在ILSVRC 2012 分类数据集上训练：

solver = caffe.Solver('./models/bvlc_reference_caffenet/solver.prototxt');

这样可以创建一个solver对象：

  Solver with properties:

          net: [1x1 caffe.Net]
    test_nets: [1x1 caffe.Net]

训练代码：

solver.solve();

如果只想训练迭代1000次：

solver.step(1000);

来获取迭代数量：

iter = solver.iter();

来获取这个网络：

train_net = solver.net;
test_net = solver.test_nets(1);

假设从一个snapshot中恢复网络训练：

solver.restore('your_snapshot.solverstate');

6.输入和输出

caffe.io类提供了基本的输入函数load_image和read_mean。例如，读取ILSVRC 2012 mean文件（假设你已经通过运行./data/ilsvrc12/get_ilsvrc_aux.sh下载imagenet例程辅助文件）

mean_data = caffe.io.read_mean('./data/ilsvrc12/imagenet_mean.binaryproto');

为了读取Caffe例程图片，并且resize到[width, height]，且假设width = 256; height = 256;

im_data = caffe.io.load_image('./examples/images/cat.jpg');
im_data = imresize(im_data, [width, height]); % resize using Matlab's imresize

注意：width是最快的维度，通道为BGR，与Matlab存取图片的一般方式不一样。如果你不想要使用caffe.io.load_image，且想自己导入一幅图片：

im_data = imread('./examples/images/cat.jpg'); % read image
im_data = im_data(:, :, [3, 2, 1]); % convert from RGB to BGR
im_data = permute(im_data, [2, 1, 3]); % permute width and height
im_data = single(im_data); % convert to single precision

你也可以看一下caffe/matlab/demo/classification_demo.m文件，了解如何将输入图片crop成多个输入块。

你可以查看caffe/matlab/hdf5creation，了解如何通过Matlab读和写HDF5数据。但不提供额外的数据输出函数，因为在Matlab本身已经具有了强大的功能。

7.清除nets和solvers

调用caffe.reset_all()来清理你所创建的所有的solvers，和stand-alone nets。