【深度学习框架Caffe学习与应用】第五课 自定义神经层和数据输入层

一、自定义神经层

1.创建新定义的头文件，目录在caffe/include/caffe/layers/my_neuron_layer.hpp

  我复制了conv_layer.hpp文件，然后在该文件的内容上进行更改

如果只是需要CPU方法，可以注释掉forward_gpu和backward_gpu

修改对照内容如下（左侧是conv_layer.hpp，右侧是my_neuron_layer.hpp)：

2.创建对应的源文件，目录在caffe/src/caffe/layers/my_neuron_layer.cpp

重写LayerSetUp，实现能从 prototxt 读取参数

重写方法Reshape，如果对继承类没有修改的话，就不需要重写

重写方法Forward_cpu（这个一定需要重写）

重写方法Backward_cpu（非必须）

×如果要GPU支持，还需要创建src/caffe/layers/my_neuron_layer.cu，同理重写方法Forward_gpu/Backward_gpu（非必须）

my_neuron_layer.cpp 添加注册的宏定义

最终.cpp文件如下

3.caffe/src/caffe/proto/caffe.proto注册新的Layer

  在caffe.proto中，先找到message LayerParameter{}，在其中添加：

  这里的150表示标志位，而不是赋值

  然后添加一个自定义的parameter:

  在message V1LayerParameter { }中定义类型：40是标志位

4.重新编译

直到编译完成

5.测试自定义的Layer

定义deploy.prototxt

运行测试程序：test_my_neuron.py

结果如下

二、自定义数据输入层

以image_data_layer为例进行讲解

1.创建新定义的头文件，目录在caffe/include/caffe/layers/my_neuron_layer.hpp

  我复制了conv_layer.hpp文件，然后在该文件的内容上进行更改

修改对照内容如下（左侧是image_data_layer.hpp，右侧是my_data_layer.hpp)：

2.创建对应的源文件，目录在caffe/src/caffe/layers/my_neuron_layer.cpp

下面只给出改动以后的my_data_layer.cpp代码

下面是caffe.proto文件的修改

测试新定义的数据层，使用原来的LeNet网络，把输入数据层做修改