使用 C++ 在 CAFFE 中设置输入层

Question

我正在使用 CAFFE 编写 C++ 代码来预测单个（目前）图像。图像已经过预处理，为 .png 格式。我创建了一个 Net 对象并在训练好的模型中读取。现在，我需要使用 .png 图像作为输入层并调用 net.Forward() - 但有人可以帮我弄清楚如何设置输入层吗？

我在网上找到了一些示例，但没有一个有效，而且几乎所有示例都使用了已弃用的功能。根据：Berkeley's Net API，不推荐使用“ForwardPrefilled”，不推荐使用“Forward(vector, float*)”。 API 表示应该“设置输入 blob，然后改用 Forward()”。这是有道理的，但是“设置输入 blob”部分没有展开，我找不到一个很好的 C++ 示例来说明如何做到这一点。

我不确定使用 caffe::Datum 是否正确，但我一直在玩这个：

float lossVal = 0.0;
caffe::Datum datum;
caffe::ReadImageToDatum("myImg.png", 1, imgDims[0], imgDims[1], &datum);
caffe::Blob< float > *imgBlob = new caffe::Blob< float >(1, datum.channels(), datum.height(), datum.width());
//How to get the image data into the blob, and the blob into the net as input layer???
const vector< caffe::Blob< float >* > &result = caffeNet.Forward(&lossVal);

再次，我想按照 API 的方向设置输入 blob，然后使用（非弃用）caffeNet.Forward(&lossVal) 来获得结果，而不是使用弃用的东西。

编辑：

根据下面的答案，我更新了以下内容：

caffe::MemoryDataLayer<unsigned char> *memory_data_layer = (caffe::MemoryDataLayer<unsigned char> *)caffeNet.layer_by_name("input").get();
vector< caffe::Datum > datumVec;
datumVec.push_back(datum);
memory_data_layer->AddDatumVector(datumVec);

但是现在对 AddDatumVector 的调用出现了段错误。我想知道这是否与我的 prototxt 格式有关？这是我的 prototxt 的顶部：

name: "deploy"  

input: "data"
input_shape {
dim: 1
dim: 3
dim: 100
dim: 100
}

layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"

我的这部分问题基于this discussion，关于“源”字段在 prototxt 中很重要...

Answer 1

caffe::Datum datum;
caffe::ReadImageToDatum("myImg.png", 1, imgDims[0], imgDims[1], &datum);
MemoryDataLayer<float> *memory_data_layer = (MemoryDataLayer<float> *)caffeNet->layer_by_name("data").get();
memory_data_layer->AddDatumVector(datum);
const vector< caffe::Blob< float >* > &result = caffeNet.Forward(&lossVal);

这样的东西可能很有用。在这里，您必须使用 MemoryData 层作为输入层。我希望图层名称被命名为data。

datum 变量的使用方式可能不正确。如果我没记错的话，我猜你必须使用基准数据向量。

我认为这应该让你开始。

快乐酿造。 :D

Answer 2

这是我位于 here 的代码的摘录，我在 C++ 代码中使用了 Caffe。我希望这会有所帮助。

Net<float> caffe_test_net("models/sudoku/deploy.prototxt", caffe::TEST);

caffe_test_net.CopyTrainedLayersFrom("models/sudoku/sudoku_iter_10000.caffemodel");

// Get datum
Datum datum;
if (!ReadImageToDatum("examples/sudoku/cell.jpg", 1, 28, 28, false, &datum)) {
     LOG(ERROR) << "Error during file reading";
}


// Get the blob
Blob<float>* blob = new Blob<float>(1, datum.channels(), datum.height(), datum.width());

// Get the blobproto
BlobProto blob_proto;
blob_proto.set_num(1);
blob_proto.set_channels(datum.channels());
blob_proto.set_height(datum.height());
blob_proto.set_width(datum.width());
int size_in_datum = std::max<int>(datum.data().size(),
                                          datum.float_data_size());

for (int ii = 0; ii < size_in_datum; ++ii) {
     blob_proto.add_data(0.);
}
const string& data = datum.data();
if (data.size() != 0) {
     for (int ii = 0; ii < size_in_datum; ++ii) {
         blob_proto.set_data(ii, blob_proto.data(ii) + (uint8_t)data[ii]);
     }
}

// Set data into blob
blob->FromProto(blob_proto);

// Fill the vector
vector<Blob<float>*> bottom;
bottom.push_back(blob);
float type = 0.0;

const vector<Blob<float>*>& result =  caffe_test_net.Forward(bottom, &type);

Answer 3

怎么样：

Caffe::set_mode(Caffe::CPU);
caffe_net.reset(new caffe::Net<float>("your_arch.prototxt", caffe::TEST));
caffe_net->CopyTrainedLayersFrom("your_model.caffemodel");

Blob<float> *your_blob = caffe_net->input_blobs()[0];
your_blob->set_cpu_data(your_image_data_as_pointer_to_float);

caffe_net->Forward();