caffe多工學習之多標籤分類

最近在參加乙個識別的競賽，專案裡涉及了許多類別的分類，原本打算乙個大的類別訓練乙個分類模型，但是這樣會比較麻煩，對於同一的分類會重複計算分類網路中的卷積層，浪費計算時間和效率。後來發現現在深度學習中的多工學習可以實現多標籤分類，所有的類別只需要訓練乙個分類模型就行，其不同屬性的類別之間是共享卷積層的。我所有的專案開發都是基於caffe框架的，預設的，caffe中的data層只支援單維標籤，不支援多標籤分類。我也是參考了大牛的部落格修改了caffe裡面的原始碼，使得caffe支援多標籤分類。下面介紹怎麼在caffe中修改原始碼支援多標籤，包括訓練和測試過程的修改。

caffe原始碼修改：

std::ifstream infile(argv[2]);
std::vector
> > lines;
std::string filename;
std::string label_count_string = argv[5];
int label_count = std::atoi(label_count_string.c_str());
std::vector
label(label_count);
while (infile >> filename)
// create new db
scoped_ptrdb_image(db::getdb(flags_backend));
scoped_ptrdb_label(db::getdb(flags_backend));
db_image->open(argv[3], db::new);
db_label->open(argv[4], db::new);
scoped_ptrtxn_image(db_image->newtransaction());
scoped_ptrtxn_label(db_label->newtransaction());

訓練模型：

上面我們就有了多工的深度學習的基礎部分資料輸入。為了向上相容caffe框架，我也是參考了大牛的部落格，摒棄了部分開源實現增加data層標籤維度選項並修改data層**的做法，直接使用兩個data層將資料讀入，即分別讀入資料和多維標籤。接下來詳細介紹訓練所需要做的步驟以及和修改。

1. lmdb的資料製作

由於篇幅的原因，我只貼了部分主要的**圖，注意下圖示紅的部分，第乙個是你多標籤所需要的類別數目，第二個是一些資料的路徑。

由於現在為了支援多標籤，把資料和標籤分開了，以前的單標籤在data層資料和標籤在一起的對應的（自己的理解）。所以第三和第四初標紅的是test和train最後用於訓練的lmdb資料和對應多維標籤。這製作lmdb指令碼檔案我會放在我的部落格資源上:

#訓練資料層 name: "caffenet" layer transform_param data_param }#訓練資料標籤層 layer data_param }#測試資料層 layer transform_param data_param }#測試資料標籤層 layer data_param

}

修改完網路模型的data層，後面需要將標籤資料庫中的內容進行切分，拆分成各個屬性的標籤，需要新增slice層，slice層是將乙個輸入層根據切割指標給定的維度（現在只有num和channel）切割成多個輸出層，如下圖所示。有幾類標籤就定義幾類top並命名不同，用於連線最後的accuracy層。對於slice層的引數:

頂 3 踩

caffe多工學習之多標籤分類

多工學習

最近一段時間multitask網路比較流行，比如做人臉檢測的時候，乙個網路完成人臉和非人臉二分類任務的同時也要進行boudingbox回歸或者人臉關鍵點回歸。以人臉檢測mtcnn為例，乙個網路包含三個任務。訓練的時候，乙個batch中的，一部分用於二分類一部分用於boundingbox 回歸，...

caffe多工學習之多標籤分類

caffe多工學習之多標籤分類

caffe多工學習之多標籤分類

多工學習

相關推薦