Python 测试结果与 caffe 测试结果不同答案

【问题标题】：Python test result is not same to caffe test resultPython 测试结果与 caffe 测试结果不同
【发布时间】：2017-04-20 06:44:50
【问题描述】：

我的问题是关于 caffe 测试结果。 Python 脚本结果不等于 caffe 测试结果。我使用了 Alexnet，我的测试准确率为 0,9033。

Caffe 测试准确率：0.9033

Python 准确度： 0.8785

我使用了 40000 张图片进行测试。误分类图像的数量应该是3868。但是我的python结果中的误分类图像数量是4859。这是什么问题？

谢谢。

这是我的 caffe 测试命令：

…/build/tools/caffe test --model …/my_deploy.prototxt --weights …/alex_24_11__iter_200000.caffemodel -gpu 0 -iterations 800

之后，我找到并尝试了一个带有我的测试数据的 python 脚本，但我没有得到相同的结果。我之前在另一个数据集上使用过这个脚本，并且在我的 caffe 测试中得到了相同的准确度，但我在训练和测试期间都没有使用均值文件。但是现在我在训练和测试中都使用了平均文件。可能是平均文件有问题，但我使用了从教程中找到的所有内容。

我创建了 lmdb。

我使用 compute_image_mean 从 lmdb 创建平均文件。的大小 lmdb 中的图像为 256x256。

我在 alexnet 中使用了 227x227 的图像。

Python 脚本：

caffe.set_mode_gpu()

model_def = '…/my_deploy.prototxt'

model_weights = '… /alex_24_11__iter_200000.caffemodel'

net = caffe.Net(model_def,  model_weights, caffe.TEST)   

blob = caffe.proto.caffe_pb2.BlobProto()

data = open( '.../image_mean.binaryproto' , 'rb' ).read()

blob.ParseFromString(data)

arr = np.array( caffe.io.blobproto_to_array(blob) )

out = arr[0]

np.save( '.../imageMean.npy' , out )

mu = np.load('…/imageMean.npy')

mu = mu.mean(1).mean(1)

transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})

transformer.set_transpose('data', (2,0,1))  

transformer.set_mean('data', mu)         

transformer.set_raw_scale('data', 255)

transformer.set_channel_swap('data', (2,1,0))  

net.blobs['data'].reshape(1,  3, 227, 227)


f = open('…/val.txt', 'r')

f2 = open('…/result.txt', 'a')

for x in range(0,40000):

   a=f.readline()

   a=a.split(' ')

   image = caffe.io.load_image('… /'+a[0])

   transformed_image = transformer.preprocess('data', image)

   net.blobs['data'].data[...] = transformed_image

   output = net.forward()

   output_prob = output['prob'][0]  

   f2.write(str(a[0]))

   f2.write(str(' '))

   f2.write(str(output_prob.argmax()))

   f2.write('\n')

我的 deploy.prototxt 的第一层

layer {
  name: "input"
  type: "Input"
  top: "data"
  input_param { shape: { dim: 1 dim: 3 dim: 227 dim: 227 } }
}

我的 deploy.prototxt 的最后一层

layer {
  name: "prob"
  type: "Softmax"
  bottom: "fc8-16"
  top: "prob"
}

其他层等于train_val.prototxt。

【问题讨论】：

标签： python deep-learning caffe pycaffe

【解决方案1】：

在创建 LMDB 和处理测试数据时检查您的预处理是否相同。

例如，如果您使用：

transformer.set_channel_swap('data', (2,1,0))

您应该确保您的 LMDB 也交换了这些通道（我假设这是 RGB 到 BGR 的转换）。

特别是，您说您在训练期间使用了平均图像。但是，在您的 Transformer 中，您正在计算并减去平均 pixel。这可以解释您的两种准确度之间的微小差异。

【讨论】：