caffe 创建网络模型

要点

1.在caffe中，我们通常说一个模型，其实就是一个网络，一个Net
2.在caffe2中，我们通常使用modelHelper来代表一个model，而这个model包含多个Net，就像我们前面看到的，我们会使用一个初始化网络init_net，还有有一个训练网络net，这两个网络图都是model的一部分。

初始化和训练

如果我们要构造一个模型，只有一个FC层，在这里使用modelHelper来表示一个model，使用operators来构造网络，一般model有一个param_init_net和一个net。分别用于模型初始化和训练：

model = model_helper.ModelHelper(name="train")
# initialize your weight
weight = model.param_init_net.XavierFill(
    [],
    blob_out + '_w',
    shape=[dim_out, dim_in],
    **kwargs, # maybe indicating weight should be on GPU here
)
# initialize your bias
bias = model.param_init_net.ConstantFill(
    [],
    blob_out + '_b',
    shape=[dim_out, ],
    **kwargs,
)
# finally building FC
model.net.FC([blob_in, weights, bias], blob_out, **kwargs)

前面，我们说过在日常搭建网络的时候呢，我们通常不是完全使用operator搭建网络，因为使用这种方式，每个参数都需要我们手动初始化，以及每个operator都需要构造，太过于繁琐。我们想着，对于常用层，能不能把构造它的operators都封装起来，封装成一个函数，我们构造时只需给这个函数要提供必要的参数，函数中的代码就能帮助我们完成层初始化和operator的构建。
在caffe2中，为了便于开发者搭建网络，caffe2在python/helpers中提供了许多help函数，像上面例子中的FC层，使用python/helpers/fc.py来构造，非常简单就一行代码：

fcLayer = fc(model, blob_in, blob_out, **kwargs) # returns a blob reference

这里面help函数能够帮助我们将权值初始化和计算网络自动分开到两个网络，这样一来就简单多了。caffe2为了更方便调用和管理，把这些帮助函数集合到一起，放在brew这个包里面。可以通过导入brew这个包来调用这些帮助函数。像上面的fc层的实现就可以使用：

from caffe2.python import brew
brew.fc(model, blob_in, blob_out, ...)

我们使用brew构造网络就十分简单，下面的代码就构造了一个LeNet模型：

from caffe2.python import brew

def AddLeNetModel(model, data):
    conv1 = brew.conv(model, data, 'conv1', 1, 20, 5)
    pool1 = brew.max_pool(model, conv1, 'pool1', kernel=2, stride=2)
    conv2 = brew.conv(model, pool1, 'conv2', 20, 50, 5)
    pool2 = brew.max_pool(model, conv2, 'pool2', kernel=2, stride=2)
    fc3 = brew.fc(model, pool2, 'fc3', 50 * 4 * 4, 500)
    fc3 = brew.relu(model, fc3, fc3)
    pred = brew.fc(model, fc3, 'pred', 500, 10)
    softmax = brew.softmax(model, pred, 'softmax')

caffe2 使用brew提供很多构造网络的帮助函数，大大简化了我们构建网络的过程。但实际上，这些只是封装的结果，网络构造的原理和之前说的使用operators构建的原理是一样的。