如何创建动态 python 层来计算 caffe 中的 class 权重？

Question

我想添加一个 python 层，用于即时计算 INfoGainLoss Layer 的概率矩阵 H。我已经编写了通过计算一张图像的每个 class 的概率并将其保存到 .binaryproto 文件中来创建此矩阵的程序。如果你给我一些提示，我真的很感激我如何编写一个 python 层来创建这个矩阵并将它作为第三个参数发送到 InfoGainLoss 层？我在这里画了一个原理图，对吗？如果是，如何为此编写 python 层？我已经在线阅读了一些代码，但仍然对 setup、reshape、forward 函数感到困惑。

7a.png

Answer 1

您的 Python 层与输入层非常相似：它没有反向传播，因此很容易实现。有关详细信息，请参阅。

你的图层需要 "label" 底部，并生成 "H" 矩阵作为顶部：

图层{ 姓名："classWeightH" 底部："label" 顶部："H" 类型："Python" python_param{ 模块：# python 代码所在的文件名图层："classWeightHLayer" } }

python 代码应如下所示：

import sys, os, numpy as np
sys.path.insert(0, os.environ['CAFFE_ROOT']+'/python')
import caffe
class classWeightHLayer(caffe.Layer):
  def setup(self,bottom,top):
    assert len(bottom)==1, "expecting exactly one input"
    assert len(top)==1, "producing exactly one output"
    # you might want to get L - the number of labels as a parameter...

  def reshape(self,bottom,top):
    top[0].reshape(1,1,L,L) # reshape the output to the size of H

  def forward(self,bottom,top):         
    labels = bottom[0].data
    H = np.zeros((1,1,L,L), dtype='f4') 
    # do your magic here...
    top[0].data[...] = H    

  def backward(self, top, propagate_down, bottom):
    # no back-prop for input layers
    pass

如何创建动态 python 层来计算 caffe 中的 class 权重？

How to create on-the-fly python layer for calculating class weights in caffe?

python

machine-learning

neural-network

deep-learning

caffe