介绍一种更加灵活的方法，用MemoryData层输入数据，可以直接用opencv接口读入我们的图片再添加的网络中。
第一个问题：仍然是工程建立问题，提示卷积层或其他层没有注册，解决方法与上一篇博客一样。可查看：http://blog.csdn.net/sunshine_in_moon/article/details/50125255
第二个问题：网络配置文件的改写，因为使用MemoryData层。
layers{
name: "data"
type: MEMORY_DATA //MemoryData层类型，还有需要注意，MEMORY_DATA别画蛇添足加上引号，否则会报错！
top: "data"
top: "label" //最好写上，虽然后面没有用到
transform_param{
mirror: false
crop_size:224
mean_value:129.1863//三个通道的均值
mean_value:104.7624
mean_value:93.5940
}
memory_data_param{//以下四个参数与ImageData稍有不同，请注意
batch_size:1
channels:3
height:224
width:224
}
}- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
第三个问题：代码，这段代码写的有点乱，请见谅！
template <typename Dtype>
caffe::Net<Dtype>* Net_Init_Load(
std::string param_file, std::string pretrained_param_file, caffe::Phase phase)
{
CheckFile(param_file);//CheckFile 是一个子函数我没有贴上，可以直接删掉这两行
CheckFile(pretrained_param_file);
caffe::Net<Dtype>* net(new caffe::Net<Dtype>(param_file, phase));
net->CopyTrainedLayersFrom(pretrained_param_file);
return net;
}
#define NetF float //宏定义 很多人包括我自己刚开始看到NetF也很困惑，原来就是float
int main()
{
/*
boost::shared_ptr< Net<float> > feature_net;
feature_net = Init_net();
cv::Mat src1;
src1 = cv::imread("test.jpg");
//cv::imshow("img", src1);
//cv::waitKey(0);
//cv::destroyAllWindows();
//cv::Mat rszimage;
//// The mean file image size is 256x256, need to resize the input image to 256x256
//cv::resize(src1, rszimage, cv::Size(244, 244));
std::vector<cv::Mat> patches;
patches.push_back(src1); // image is a cv::Mat, as I'm using #1416
std::vector<int> labels;
labels.push_back(0);
boost::shared_ptr< MemoryDataLayer<float> >memory_data_layer;
memory_data_layer = boost::static_pointer_cast<MemoryDataLayer<float>>(feature_net->layer_by_name("data"));
/*
caffe::Datum data;
caffe::ReadFileToDatum("test.jpg", &data);
caffe::MemoryDataLayer<float> *m_layer_ = (caffe::MemoryDataLayer<float> *)feature_net->layers()[0].get();
*/
/*
memory_data_layer->AddMatVector(patches,labels);
feature_net->ForwardPrefilled();
float data1;
data1 = Read_Feature_data(feature_net, "fc8");
cout << data1 << endl;
*/
/*从这里开始*/
cv::Mat src1;
src1 = cv::imread("test.jpg");
//cv::Mat rszimages;
//cv::resize(src1, rszimages, cv::Size(224, 224));
std::vector<cv::Mat> dv = { src1 };//****输入的图片，注意格式，即使只有一张图片也要使用向量格式
std::vector<int> label = { 0 };//**输入图片的标签（可随便写），也要注意是向量，这是由AddMatVector函数决定的
//caffe::Datum data;
//caffe::ReadFileToDatum("test.jpg", &data);
caffe::Net<NetF>* _net = Net_Init_Load<NetF>("FACE_deploy.prototxt",
"FACE.caffemodel", caffe::TEST);
caffe::MemoryDataLayer<NetF> *m_layer_ = (caffe::MemoryDataLayer<NetF> *)_net->layers()[0].get();//**定义个内存数据层指针
m_layer_->AddMatVector(dv, label);//***这两行很重要，是使用MemoryData层必须的，这是把图片和标签，添加到
//**MemoryData层
/*float loss = 0.0;
std::vector<caffe::Blob<float>*> results = _net->ForwardPrefilled(&loss);*/
int end_ind = _net->layers().size();
std::vector<caffe::Blob<NetF>*> input_vec;
clock_t start = clock();
_net->Forward(input_vec);
clock_t end = clock();
double totaltime;
totaltime = (double)(end - start) / CLOCKS_PER_SEC;
cout << "\n此程序的运行时间为" << totaltime << "秒！" << endl;
boost::shared_ptr<caffe::Blob<NetF>> fc8 = _net->blob_by_name("fc8");
const NetF* pstart = fc8->cpu_data();// ***这里是重点！重点！重点！，在这里耽误了很长时间。注意这里是个指针
//**也就是fc8->cpu_data()返回的一般是多维数据（可以看成是个数组），cout<<* pstart<<endl;这样只是打印出一个
//***数？当然是一个数了，*pstart只代表数组的第一个数，因此想获得所有的数据必须用循环！
std::cout << "It is right !!\n";
//std::cout << m_layer_->width() << std::endl;
//std::cout << pstart << endl;
//std::cout << fc8->cpu_data() << endl;
std::vector<double> V1;
for (int i = 0; i < 2622; i++)//**必须用循环打印
{
std::cout << *pstart << endl;
V1.push_back(*pstart);
pstart++;
}
//std::cout << *pstart << endl;
//std::cout << *(pstart++) << endl;
cout << "\n此程序的运行时间为" << totaltime << "秒！" << endl;
return 0;
}- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
- 105
- 106
- 107
- 108
- 109
- 110
- 111
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
- 105
- 106
- 107
- 108
- 109
- 110
- 111
重点内容已经在注释上标明（前面加了**），希望这些对你有帮助！
写的比较匆忙，以后如有新的体会，会及时更新！
