caffe（八）日常问题解析

• 关闭日志输出

  在命令行执行命令之前调用如下命令,

  GLOG_minloglevel=X  ./your_app

  X代表的是需要打印在terminal上面的日志的级别，如下是每个级别的代码详解，

  0 - debug
  1 - info (still a LOT of outputs)
  2 - warnings
  3 - errors

• memory_data_layer 的调用和改进

  这次是刚开始写C++的caffe程序，有些迷茫，在网上找了一下，居然有人和我干了同样的活，都是拿到别人的模型之后写C++来跑测试，这样我很感动，下面是这个哥们的链接，

  通过研读classification.cpp了解如何使用caffe模型

  本来我觉得这个东西很快就能做完，因为照葫芦画瓢就OK了，但是后来发现根本就不是这么简单的。。

  一开始以为所有的datalayer都是一样的，后来发现还有imagedatalayer, memorydatalayer等等，而且每种datalayer的操作方式都不相同，

  这次的项目是memorydatalayer，我找了好久才发现了如下的链接，

  caffe:使用C++来提取任意一张图片的特征（从内存读取数据）

  链接里把memorydatalayer的操作的每一步说的都很清楚，很开心，后来发现最关键的一个函数是把图片数据放到memorydatalayer的bottom blob中，但是最令人恶心的是这个函数只接受8位单通道无符号数据，不接受64位有符号数据，这就让标准化后的数据没办法放入到caffe中运行，这个函数样例如下，

  m_layer->AddMatVector(dv, label); // 把图片和标签，添加到 MemoryData层

  后来我发现这个函数之所以只接受8位无符号单通道数据，就是因为其之前有个check，保证输入的数据必须是8位无符号单通道数据，如果跳过这个check程序就能够跑通了，这个其实是受python在操纵memorydatalayer的时候的操作，至于python的操作的源代码和解析，可以见下面链接，

  python caffe memorydatalayer操作

  经过上面链接的启发，我直接就绕过上述check的判断，把数据放入内存中，调试了一段时间后通过，激动万分，

• data_transformer.cpp

  这是对数据进行预处理操作的，比如mirror，scale等等。。。

  data_transformer.cpp

• solver参数说明

  test_iter: 1000 //1000指的是测试的批次，测试样本较多时，一次性执行全部数据，效率较低，因此分几个批次进行执行，  
                  //如果每个批次数量设为batch_size,则有以下关系：test_iter = 测试样本总数/batch_size  
  test_interval: 1000 //测试间隔，即每训练1000次，进行一次测试
  max_iter: 12000 //最大迭代次数

  layer {
    name: "accuracy"
    type: "Accuracy"
    bottom: "fc8"
    bottom: "label"
    top: "accuracy"
    include {
      phase: TEST
    }
  }

  accuracy 层是通过比较最后一个全连接层（神经元个数=类别数、但没有加入activation function）的输出和数据集的labels来得到的，在AccuracyLayer内部，实现了“利用fc8的输出得到数据集的预测labels”（数值最大的那个值得idnex就是样本的类别），那么，再与输入的数据集真实lebels作对比，就实现了accuray的计算！

  最后一个全连接层(fc8)的输出值位于区间[−∞,∞]，它并不是概率值

  fc8后面接的SoftmaxWithLoss层做的工作分2步

  1. 对fc8的输出计算softmax function（结果为概率值）

  2. 利用求得的概率值计算Loss值