Caffe, batch 사이의 작업

Question

단일 패치 점수를 기반으로 한 분류 기준을 사용하기 때문에 네트워크가 서로 다른 이미지에 대해 내놓은 예측을 종합 해보고자합니다. https://github.com/BVLC/caffe/blob/master/src/caffe/proto/caffe.proto에서

, 감소는 마지막 하나는 다른 축에서 동작을 지원하지 않습니다. 또한 풀링 작업은 입력의 평균을 생성하지만 전체 배치를 만지지 않고도 분명히 입력을 생성합니다.

파이썬 레이어를 구현했지만 대규모 실험에는 충분히 빠르지 않습니다.

이미 사용 가능한 도구로 첫 번째 축을 "합치거나"더 일반적인 방법이 있습니까?

Answer 1

예. 할 수있어. N x p x q x r 블롭의 예측이있는 경우 처음에는 Slice (SliceLayer)을 사용하여 모양이 각각 1 x p x q x r 인 N 개를 만듭니다. 그런 다음 eltwise (EltwiseLayer) 레이어에 대해 N 얼룩을 N 바닥으로 사용하여 단일 상단을 만듭니다. 당신의 예측이 치수가있는 경우

Answer 2

: N x c (N 및 c 채널의 미니 배치 크기)를, 당신은 차원 N와 c 모양이 점을 스플 라이스 수 있습니다. 이를 Reduction 레이어에 넣을 수 있습니다.

layer { 
    name: "pred-slice" 
    type: "Slice" 
    bottom: "pred" 
{%- for num in range(10) %} 
    top: "pred-{{ num }}-vector" 
{%- endfor %} 
    slice_param { 
    slice_dim: 1 
{%- for num in range(1, 10) %} 
    slice_point: {{ num }} 
{%- endfor %} 
    } 
    include { 
    phase: TEST 
    } 
} 

{%- for num in range(10) %} 
layer { 
    name: "pred-{{num}}" 
    type: "Reduction" 
    bottom: "pred-{{ num }}-vector" 
    top: "pred-{{ num }}" 
    include { 
    phase: TEST 
    } 
    reduction_param { 
    operation: MEAN 
    } 
} 
{%- endfor %} 

에 확장 :

예를 들어, 당신은 A Jinja2 템플릿으로 다음 쓰기 나는 이것에 대해 생각

layer { 
    name: "pred-slice" 
    type: "Slice" 
    bottom: "pred" 
    top: "pred-0-vector" 
    top: "pred-1-vector" 
    top: "pred-2-vector" 
    top: "pred-3-vector" 
    top: "pred-4-vector" 
    top: "pred-5-vector" 
    top: "pred-6-vector" 
    top: "pred-7-vector" 
    top: "pred-8-vector" 
    top: "pred-9-vector" 
    slice_param { 
    slice_dim: 1 
    slice_point: 1 
    slice_point: 2 
    slice_point: 3 
    slice_point: 4 
    slice_point: 5 
    slice_point: 6 
    slice_point: 7 
    slice_point: 8 
    slice_point: 9 
    } 
    include { 
    phase: TEST 
    } 
} 
layer { 
    name: "pred-0" 
    type: "Reduction" 
    bottom: "pred-0-vector" 
    top: "pred-0" 
    include { 
    phase: TEST 
    } 
    reduction_param { 
    operation: MEAN 
    } 
} 
layer { 
    name: "pred-1" 
    type: "Reduction" 
    bottom: "pred-1-vector" 
    top: "pred-1" 
    include { 
    phase: TEST 
    } 
    reduction_param { 
    operation: MEAN 
    } 
} 
layer { 
    name: "pred-2" 
    type: "Reduction" 
    bottom: "pred-2-vector" 
    top: "pred-2" 
    include { 
    phase: TEST 
    } 
    reduction_param { 
    operation: MEAN 
    } 
} 
layer { 
    name: "pred-3" 
    type: "Reduction" 
    bottom: "pred-3-vector" 
    top: "pred-3" 
    include { 
    phase: TEST 
    } 
    reduction_param { 
    operation: MEAN 
    } 
} 
layer { 
    name: "pred-4" 
    type: "Reduction" 
    bottom: "pred-4-vector" 
    top: "pred-4" 
    include { 
    phase: TEST 
    } 
    reduction_param { 
    operation: MEAN 
    } 
} 
layer { 
    name: "pred-5" 
    type: "Reduction" 
    bottom: "pred-5-vector" 
    top: "pred-5" 
    include { 
    phase: TEST 
    } 
    reduction_param { 
    operation: MEAN 
    } 
} 
layer { 
    name: "pred-6" 
    type: "Reduction" 
    bottom: "pred-6-vector" 
    top: "pred-6" 
    include { 
    phase: TEST 
    } 
    reduction_param { 
    operation: MEAN 
    } 
} 
layer { 
    name: "pred-7" 
    type: "Reduction" 
    bottom: "pred-7-vector" 
    top: "pred-7" 
    include { 
    phase: TEST 
    } 
    reduction_param { 
    operation: MEAN 
    } 
} 
layer { 
    name: "pred-8" 
    type: "Reduction" 
    bottom: "pred-8-vector" 
    top: "pred-8" 
    include { 
    phase: TEST 
    } 
    reduction_param { 
    operation: MEAN 
    } 
} 
layer { 
    name: "pred-9" 
    type: "Reduction" 
    bottom: "pred-9-vector" 
    top: "pred-9" 
    include { 
    phase: TEST 
    } 
    reduction_param { 
    operation: MEAN 
    } 
}