brew是Caffe2用于构建模型的新API。该功能过去由CNNModelHelper充当，但由于Caffe2功能已经扩展到不止CNN，有必要提供一个更加通用的ModelHelper对象。你可能注意到新的ModelHelper与CNNModelHelper有许多相同的功能。brew包装了新的ModelHelper使得构建模型比以前要更容易。
模型构建和Brew的帮助函数
在这个教程中，我们将会介绍brew,一个轻量级的帮助函数集合以帮助你构建模型。我们将会从解释Ops vs 帮助函数的关键概念开始，然后我们将会展示brew的使用，作为ModelHelper对象的一个接口它是如何起作用的以及arg_scope语法糖。最后我们会讨论引入brew的动机。
概念：Ops vs 帮助函数
在我们深入brew之前我们应该看回顾Caffe2中的一些惯例以及神经网络层是如何表示的。Caffe2中的深度学习网络是用operators构建的。通常这些operators是用C++写的以最大化性能。Caffe2也提供了一个Python API包装了这些C++ operators，因此你能更灵活地进行实验和设计原型。在Caffe2里面，operators总是按照驼峰命名法命名，而类似名字的Python帮助函数则是小写字母表示的。例子请看下面。
Ops
我们通常把operators简称为“Op”或者operators的集合“Ops”。例如，FC Op表示一个全连接operator，即有着从前一层每个神经元到下一层每个神经元的加权连接。例如，你可以创建一个FC Op如下：
model.net.FC([blob_in, weights, bias], blob_out)
或者你可以创建一个Copy Op如下：
model.net.Copy(blob_in, blob_out)
ModelHelper含有的一个Operators列表在这篇文档的底部给出，目前已包含29个最常使用的Ops。这是Caffe2 400+ Ops（在写这篇文档的时候）的一个子集。
也应注意你也可以创建一个不带标记net的operator。例如，就像前面我们创建Copy Op的例子，我们可以使用下面的代码在model.net上创建一个Copy operator:
model.Copy(blob_in, blob_out)
帮助函数
仅使用单个operator来构建模型/网络可能会非常麻烦，因为您必须自己完成参数初始化，设备/引擎选择（但这也是caffe2速度如此之快的原因！）。例如要构建一个全连接层你得花几行代码准备weight和bias，然后它们被送进Op。
这是一个更长的，手工的方式：
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)
幸运的是caffe2帮助函数可以给你提供帮助。帮助函数是为模型创建一个完整层的包装函数。帮助函数通常会处理参数初始化，运算符定义和引擎选择。caffe2默认的帮助函数是按照python pep8函数约定命名的。例如，使用python/helpers/fc.py，通过帮助函数fc实现一个FC Op更简单。
一个更简单的使用帮助函数的方式:
fcLayer = fc(model, blob_in, blob_out, **kwargs) # returns a blob reference
一些帮助函数建立不止一个operator。例如，在python/rnn_cell.py中的LSTM函数会帮助你在你的网络中建立整个LSTM单元。
查看这里可以看到更多有用的帮助函数。
brew
既然你已经了解了Ops和帮助函数，让我们看看brew是如何能够更简单的构建模型的。brew是一个帮助函数的智能集合。你可以通过导入brew模块使用所有Caffe2非常棒的帮助函数。你现在可以添加一个FC层使用：
from caffe2.python import brew
brew.fc(model, blob_in, blob_out, ...)
这个跟使用帮助函数是一样的，不过一旦你的模型变得更加复杂的时候brew就开始真正显现威力了。下面是LeNet模型构建的例子，从MNIST教程中摘取的。
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')
每一层使用brew创建（内部将转而使用其operator实例化每个Op）
arg_scope
arg_scope是一个留给你用来设置帮助函数默认参数的语法糖(syntax sugar)。例如，假设你想在你的ResNet-150训练脚本中用不同的权重初始化进行实验，你可以使用下面的：
# change all weight_init here
brew.conv(model, ..., weight_init=('XavierFill', {}),...)
...
# repeat 150 times
...
brew.conv(model, ..., weight_init=('XavierFill', {}),...)
或者借助arg_scope，你可以：
with brew.arg_scope([brew.conv], weight_init=('XavierFill', {})):
brew.conv(model, ...) # no weight_init needed here!
brew.conv(model, ...)
...
定制帮助函数
当你使用brew越来越频繁并且觉得有必要实现一个目前还没有被brew覆盖的Op时，你会想要写你自己的帮助函数。你可以注册你的帮助函数到brew来享受统一的管理和语法糖。
只要简单地定义你的新帮助函数，用brew.Register函数注册它，然后用brew.new_helper_function调用它即可。
def my_super_layer(model, blob_in, blob_out, **kwargs):
"""
100x faster, awesome code that you'll share one day.
"""
brew.Register(my_super_layer)
brew.my_super_layer(model, blob_in, blob_out)
如果你觉得你的帮助函数对Caffe2社区里面的其他人可能会有帮助的话，记得创建一个推送请求把它分享出来。
Caffe2默认的帮助函数
欲了解这些函数每一个的使用详情，访问Operators 目录
- accuracy
- add_weight_decay
- average_pool
- concat
- conv
- conv_nd
- conv_transpose
- depth_concat
- dropout
- fc
- fc_decomp
- fc_prune
- fc_sparse
- group_conv
- group_conv_deprecated
- image_input
- instance_norm
- iter
- lrn
- max_pool
- max_pool_with_index
- packed_fc
- prelu
- softmax
- spatial_bn
- relu
- sum
- transpose
- video_input
brew的动机
感谢阅读关于brew的整个教程！恭喜你，最后到了这里。长话短说，我们想分离模型构建过程和模型存储。我们认为，ModelHelper类应该只包含网络定义和参数信息。brew模块将会含有构建网络和初始化参数的函数。
与之前既做模型存储又做模型构建的庞大的CNNModelHelper相比，ModelHelper+brew的模型构建方式更加模块化且易于扩展。对于命名而言，由于Caffe2家族支持众多网络，包括MLP,RNN和CNN，它也更不容易引起混淆。我们希望该教程能帮助你更加快速和容易的构建模型同时也能更加深入地了解Caffe2.在python/brew_test.py中有详细的brew使用的例子。如果你有关于brew的任何疑问，请随时联系我们并在github的Issue中提问。再次感谢你拥抱新的brew API。