本文共 2822 字，大约阅读时间需要 9 分钟。

data层用在训练或测试阶段，为模型提供数据接口，caffe可以接受的数据类型包括数据库类型（如LMDB、LevelDB）、hdf5、内存数据、图片数据等。

1、数据库类型

该类型数据必须指定数据库文件夹路径，该文件夹内包含一个data.mdb文件和一个lock.mdb文件；还需要指定batch_size.

• rand_skip: 在开始的时候，路过某个数据的输入。通常对异步的SGD很有用。

• backend: 选择是采用LevelDB还是LMDB, 默认是LevelDB.

  prototxt文件对应内容：

layer {  name: "mnist"  type: "Data"  top: "data"  top: "label"  include {    phase: TRAIN  }  transform_param {    scale: 0.003    mean_value: 52  }  data_param {    source: "examples/mnist/mnist_train_lmdb"    batch_size: 16    backend: LMDB  }}

用python API定义该层代码：

n.data, n.label = caffe.layers.Data(batch_size=16, 							source= "examples/mnist/mnist_train_lmdb", 							ntop=2, 							backend = P.Data.LMDB, 							 include=dict(phase=caffe.TRAIN), 							transform_param=dict(scale=0.003, mean_value=52))

2、hdf5类型

同样需要指定扩展名为h5的数据文件路径，此外，也可指定包含多个h5路径的文件；也需要指定batch_size.

layer {  name: "InputData"  type: "HDF5Data"  top: "data"  top: "label"  include {    phase: TRAIN  }  hdf5_data_param {    source: "./training_data_paths.txt"    batch_size: 64  }}

python API代码：

net.data, net.label = caffe.layers.HDF5Data(            name="InputData",            source='./training_data_paths.txt',            batch_size=64,            include=dict(phase=caffe.TRAIN),            ntop=2            )

3、图片类型数据

这种类型经常用来做分类任务，图片数据文件每一行给出图片的路径及该图片对应的类别。

layer {  name: "InputData"  type: "ImageData"  top: "data"  top: "label"  transform_param {    mirror: true    crop_size: 40  }  image_data_param {    source: "train.txt"    batch_size: 32    shuffle: true    new_height: 48    new_width: 48    is_color: true    root_folder: "/"  }}

python API代码：

net.data ,net.label = caffe.layers.ImageData(    name="InputData"    source="train.txt",    batch_size=32,    new_width=48,    new_height=48,    ntop=2,    is_color=True,    shuffle=True,    root_folder='/',    transform_param=dict(crop_size=40,mirror=True))

4、内存型数据

直接用内存中的数据训练模型，这类数据往往是ndarray型。

layer {  name: "data"  type: "ImageData"  top: "data"  top: "label"  transform_param {    scale: 0.00390625    mean_value: 20.0  }  image_data_param {    source: "img_list"  }  memory_data_param {    batch_size: 16    channels: 1    height: 1    width: 230  }}

python API代码：

def conv_pool_net():    n = caffe.NetSpec()    n.data, n.label = L.ImageData(source='img_list',                                  memory_data_param=dict(batch_size=16,                                                        height=1,                                                        width=230,                                                        channels=1),                                  ntop=2,transform_param=dict(scale=0.00390625,                                                              mean_value=20))    return n.to_proto()print(str(conv_pool_net()))

5、部署时注意的问题

部署时，data层要做一下转换（图片来自网络）：

参考：

转载地址：http://forti.baihongyu.com/