Caffe2 - 创建您自己的网络

在本课中，您将学习在 Caffe2 中定义单层神经网络 (NN)并在随机生成的数据集上运行它。我们将编写代码以图形方式描述网络架构，打印输入、输出、权重和偏差值。要理解本课，您必须熟悉神经网络架构、其术语以及其中使用的数学。

网络架构

假设我们想要构建一个单层 NN，如下图所示 −

从数学上讲，该网络由以下 Python 代码表示 −

Y = X * W^T + b

其中 X、W、b 是张量，Y 是输出。我们将用一些随机数据填充所有三个张量，运行网络并检查 Y 输出。为了定义网络和张量，Caffe2 提供了几个 Operator 函数。

Caffe2 运算符

在 Caffe2 中，Operator 是计算的基本单位。Caffe2 Operator 表示如下。

Caffe2 提供了详尽的运算符列表。对于我们目前正在设计的网络，我们将使用名为 FC 的运算符，它计算将输入向量 X 传递到具有二维权重矩阵 W 和一维偏差向量 b 的完全连接网络的结果。换句话说，它计算以下数学方程式

Y = X * W^T + b

其中 X 的维度为 (M x k)，W 的维度为 (n x k)，而 b 为 (1 x n)。输出 Y 的维度为 (M x n)，其中 M 是批量大小。

对于向量 X 和 W，我们将使用 GaussianFill 运算符来创建一些随机数据。为了生成偏差值b，我们将使用ConstantFill运算符。

现在我们将继续定义我们的网络。

创建网络

首先，导入所需的包 −

from caffe2.python import core, workingspace

接下来，通过调用core.Net定义网络，如下所示 −

net = core.Net("SingleLayerFC")

网络的名称指定为SingleLayerFC。此时，创建名为 net 的网络对象。到目前为止，它不包含任何层。

创建张量

现在我们将创建网络所需的三个向量。首先，我们将通过调用 GaussianFill 运算符创建 X 张量，如下所示 −

X = net.GaussianFill([], ["X"], mean=0.0, std=1.0, shape=[2, 3], run_once=0)

X 向量的维度为 2 x 3，平均数据值为 0,0，标准差为 1.0。

同样，我们创建 W 张量，如下所示 −

W = net.GaussianFill([], ["W"], mean=0.0, std=1.0, shape=[5, 3], run_once=0)

W 向量的大小为 5 x 3。

最后，我们创建大小为 5 的偏差 b 矩阵。

b = net.ConstantFill([], ["b"], shape=[5,], value=1.0, run_once=0)

现在，到了代码中最重要的部分，即定义网络本身。

定义网络

我们在以下 Python 语句 − 中定义网络

Y = X.FC([W, b], ["Y"])

我们在输入数据 X 上调用 FC 运算符。权重在 W 中指定，偏差在 b 中指定。输出为 Y。或者，您可以使用以下 Python 语句创建网络，该语句更详细。

Y = net.FC([X, W, b], ["Y"])

此时，网络只是创建。在我们至少运行一次网络之前，它不会包含任何数据。在运行网络之前，我们将检查其架构。

打印网络架构

Caffe2 在 JSON 文件中定义网络架构，可以通过在创建的 net 对象上调用 Proto 方法来检查它。

print (net.Proto())

这将产生以下输出 −

name: "SingleLayerFC"
op {
   output: "X"
   name: ""
   type: "GaussianFill"
   arg {
      name: "mean"
      f: 0.0
   }
   arg {
      name: "std"
      f: 1.0
   }
   arg {
      name: "shape"
      ints: 2
      ints: 3
   }
   arg {
      name: "run_once"
      i: 0
   }
}
op {
   output: "W"
   name: ""
   type: "GaussianFill"
   arg {
      name: "mean"
      f: 0.0
   }
   arg {
      name: "std"
      f: 1.0
   }
   arg {
      name: "shape"
      ints: 5
      ints: 3
   }
   arg {
      name: "run_once"
      i: 0
   }
}
op {
   output: "b"
   name: ""
   type: "ConstantFill"
   arg {
      name: "shape"
      ints: 5
   }
   arg {
      name: "value"
      f: 1.0
   }
   arg {
      name: "run_once"
      i: 0
   }
}
op {
   input: "X"
   input: "W"
   input: "b"
   output: "Y"
   name: ""
   type: "FC"
}

如您在上面的清单中看到的，它首先定义了运算符 X、W 和 b。让我们以 W 的定义为例进行检查。W 的类型指定为 GausianFill。均值 定义为浮点数 0.0，标准差定义为浮点数 1.0，形状 为 5 x 3。

op {
   output: "W"
   name: "" type: "GaussianFill"
   arg {
      name: "mean" 
	   f: 0.0
   }
   arg { 
      name: "std" 
      f: 1.0
   }
   arg { 
      name: "shape" 
      ints: 5 
      ints: 3
   }
   ...
}

检查 X 和 b 的定义，以便您自己理解。最后，让我们看看我们的单层网络的定义，它在此处重现

op {
   input: "X"
   input: "W"
   input: "b"
   output: "Y"
   name: ""
   type: "FC"
}

此处，网络类型为 FC（全连接），输入为 X、W、b，输出为 Y。此网络定义过于冗长，对于大型网络而言，检查其内容将变得乏味。幸运的是，Caffe2 为创建的网络提供了图形表示。

网络图形表示

要获取网络的图形表示，请运行以下代码片段，它实际上只有两行 Python 代码。

from caffe2.python import net_drawer
from IPython import display
graph = net_drawer.GetPydotGraph(net, rankdir="LR")
display.Image(graph.create_png(), width=800)

运行代码时，您将看到以下输出 −

对于大型网络，图形表示在可视化和调试网络定义错误方面非常有用。

最后，现在是时候运行网络。

运行网络

您可以通过在 workspace 对象上调用 RunNetOnce 方法来运行网络 −

workspace.RunNetOnce(net)

网络运行一次后，我们随机生成的所有数据都将被创建，输入到网络中并创建输出。运行网络后创建的张量在 Caffe2 中称为 blobs。工作区由您创建并存储在内存中的 blobs 组成。这与 Matlab 非常相似。

运行网络后，您可以使用以下 print 命令检查工作区包含的 blobs

print("工作区中的 Blob：{}".format(workspace.Blobs()))

您将看到以下输出 −

工作区中的 Blob：['W', 'X', 'Y', 'b']

请注意，工作区由三个输入 blob − X、W 和 b 组成。它还包含名为 Y 的输出 blob。现在让我们检查一下这些 blob 的内容。

for name in working.Blobs():
print("{}:
{}".format(name, working.FetchBlob(name)))

您将看到以下输出 −

W:
[[ 1.0426593 0.15479846 0.25635982]
[-2.2461145 1.4581774 0.16827184]
[-0.12009818 0.30771437 0.00791338]
[ 1.2274994 -0.903331 -0.68799865]
[ 0.30834186 -0.53060573 0.88776857]]
X:
[[ 1.6588869e+00 1.5279824e+00 1.1889904e+00]
[ 6.7048723e-01 -9.7490678e-04 2.5114202e-01]]
Y:
[[ 3.2709925 -0.297907 1.2803618 0.837985 1.7562964]
[ 1.7633215 -0.4651525 0.9211631 1.6511179 1.4302125]]
b:
[1. 1. 1. 1. 1.]

请注意，由于所有输入都是随机创建的，因此您机器上的数据或实际上每次运行网络时的数据都会有所不同。现在您已成功定义网络并在计算机上运行它。