上面2个函数定义好了，那么剩下的编写网络就比较容易了，我们在ResNet结构介绍中有一个表，再贴出来：
|
Layer_name |
Output_size |
20-layer ResNet |
|
Conv1 |
32 X 32 |
Kernel_size=3 X 3 Num_output = 16 Stride = 1 Pad = 1 |
|
Conv2_x |
32 X 32 |
{3X3,16; 3X3,16} X 3 |
|
Conv3_x |
16 X 16 |
{3X3,16; 3X3,16} X 3 |
|
Conv4_x |
8 X 8 |
{3X3,16; 3X3,16} X 3 |
|
InnerProduct |
1 X 1 |
Average pooling 10-d fc |
在 Conv1 中对图像做一次卷积即可，Conv2_x 到 Conv4_x 每个都有 3 个 block，并且卷积核数目都是翻倍增加 {16, 32, 64}，图像块大小翻倍减小 {32, 16, 8}，由于我们输入图像经过剪裁是 28 X 28，实际我们应该是 {28, 14, 7}，不过我们暂且就当作输入图像是 32 X 32 大小。
网络中大部分卷积核大小都是 3 X 3，为什么有的卷积核的 pad 是 1，因为如果不加 pad 的话输出的 size 就会比原图像小,因此要加上 pad 这样卷积出来的图片就和原图像 size 一致。Conv1 到 Conv2_x 之间由于数据的通道数都是 16，数据的维度一样，因此输入和输出可以直接加在一起。但是 Con2_x 到 Conv3_x 和 Conv3_x 到 Conv4_x 之间数据的通道数都不一样，而且 output_size 都不一样，不能加在一起，在这里我们采用论文中的 B 方法——对输入数据用 1 X 1 的卷积核映射到与输出数据同样的维度。这就是为什么 ResNet_Block() 里面 projection_stride（映射步长） = 1 时认为输入输出的维度一样，可以直接相加，因此 proj = bottom；而当 projection_stride（映射步长） = 2时认为输入与输出维度不一样，需要用 1 X 1 大小，stride = 2 的卷积核来使得卷积核后的 output_size 是原来的一样。那么在 ResNet() 函数中我们这样编写：
def ResNet(split):
if split == ‘train‘:
...
else:
...
# 每个 ConvX_X 都有 3 个Residual Block
repeat = 3
scale, result = conv_BN_scale_relu(split, data, nout = 16, ks = 3,
stride = 1, pad = 1)
# Conv2_X，输入与输出的数据通道数都是 16， 大小都是 32 x 32，可以直接相加，
# 设置映射步长为 1
for ii in range(repeat):
projection_stride = 1
result = ResNet_block(split, result, nout = 16, ks = 3, stride = 1,
projection_stride = projection_stride, pad = 1)
# Conv3_X
for ii in range(repeat):
if ii == 0:
# 只有在刚开始 conv2_X(16 x 16) 到 conv3_X(8 x 8) 的
# 数据维度不一样，需要映射到相同维度，卷积映射的 stride 为 2
projection_stride = 2
else:
projection_stride = 1
result = ResNet_block(split, result, nout = 32, ks = 3, stride = 1,
projection_stride = projection_stride, pad = 1)
# Conv4_X
for ii in range(repeat):
if ii == 0:
projection_stride = 2
else:
projection_stride = 1
result = ResNet_block(split, result, nout = 64, ks = 3, stride = 1,
projection_stride = projection_stride, pad = 1)
这样，我们就写好了中间的卷积部分，这时候我们最后一层的输出是 64 X 8 X 8（64个通道的 8 X 8 大小的 feature map），最后我们要经过一个 global average pooling，就是把每个 8 X 8 的 feature map 映射成 1 X 1 大小，最后输出为 64 X 1 X 1，再经过输出个数为 10 的InnerProduct 全连接层输出 10 类标签的概率，生成概率的话就用 softmaxWithLoss 层即可。那么整个 ResNet() 的可以写成：
def ResNet(split):
# 写入数据的路径
train_file = this_dir + ‘/caffe-master/examples/cifar10/cifar10_train_lmdb‘
test_file = this_dir + ‘/caffe-master/examples/cifar10/cifar10_test_lmdb‘
mean_file = this_dir + ‘/caffe-master/examples/cifar10/mean.binaryproto‘
# source: 导入的训练数据路径;
# backend: 训练数据的格式;
# ntop: 有多少个输出,这里是 2 个,分别是 n.data 和 n.labels,即训练数据和标签数据,
# 对于 caffe 来说 bottom 是输入,top 是输出
# mirror: 定义是否水平翻转,这里选是
# 如果写是训练网络的 prototext 文件
if split == ‘train‘:
data, labels = L.Data(source = train_file, backend = P.Data.LMDB,
batch_size = 128, ntop = 2,
transform_param = dict(mean_file = mean_file,
crop_size = 28,
mirror = True))
# 如果写的是测试网络的 prototext 文件
# 测试数据不需要水平翻转,你仅仅是用来测试
else:
data, labels = L.Data(source = test_file, backend = P.Data.LMDB,
batch_size = 128, ntop = 2,
transform_param = dict(mean_file = mean_file,
crop_size =28))
# 每个 ConvX_X 都有 3 个Residual Block
repeat = 3
scale, result = conv_BN_scale_relu(split, data, nout = 16, ks = 3,
stride = 1, pad = 1)
# Conv2_X，输入与输出的数据通道数都是 16， 大小都是 32 x 32，可以直接相加，
# 设置映射步长为 1
for ii in range(repeat):
projection_stride = 1
result = ResNet_block(split, result, nout = 16, ks = 3, stride = 1,
projection_stride = projection_stride, pad = 1)
# Conv3_X
for ii in range(repeat):
if ii == 0:
# 只有在刚开始 conv2_X(16 x 16) 到 conv3_X(8 x 8) 的
# 数据维度不一样，需要映射到相同维度，卷积映射的 stride 为 2
projection_stride = 2
else:
projection_stride = 1
result = ResNet_block(split, result, nout = 32, ks = 3, stride = 1,
projection_stride = projection_stride, pad = 1)
# Conv4_X
for ii in range(repeat):
if ii == 0:
projection_stride = 2
else:
projection_stride = 1
result = ResNet_block(split, result, nout = 64, ks = 3, stride = 1,
projection_stride = projection_stride, pad = 1)
pool = L.Pooling(result, pool = P.Pooling.AVE, global_pooling = True)
IP = L.InnerProduct(pool, num_output = 10,
weight_filler = dict(type = ‘xavier‘),
bias_filler = dict(type = ‘constant‘))
acc = L.Accuracy(IP, labels)
loss = L.SoftmaxWithLoss(IP, labels)
return to_proto(acc, loss)
运行整个文件后，我们就生成了网络的 train.prototxt 和 test.prototxt 文件了，但是我们怎么知道我们生成的 prototxt 是不是正确的呢？我们可以可视化网络的结构。我们在 ResNet 文件夹下打开终端，输入：
$python ./caffe-master/python/draw_net.py ./res_net_model/train.prototxt ./res_net_model/train.png --rankdir=TB
Fig 14 画网络结构
draw_net.py 至少输入 2 个参数，一个是 prototxt 文件的地址，一个是图像保存的地址，后面的 --rankdir=TB 的意思是网络的结构从上到下 (Top→Bottom) 画出来,类似还有 BT，LR(Left→Right)，RL。另外，这里需要说明一下，可能有些高版本的 Caffe 用这个命令会报错，原因是 ‘int’ object has no attribute ‘_values‘，关于这个问题的解决，请看这里：https://github.com/BVLC/caffe/issues/5324。
Fig 15 draw_net.py 画出的网络结构图
由于图片太长，我们只显示了网络的部分结构，接下来，我们要生成 solver 的 prototxt。
步骤3：创建 solver 的 prototxt 文件
在 caffe-master/examples/pycaffe 文件夹中有一个 tools.py 文件，这个文件可以生成我们所需要的 solver 的 prototxt 文件，我们在 /ResNet 文件下新建一个 tools 文件夹，再把 tools.py 放入这个文件夹中，由于系统只能找到当前目录下的文件，为了让系统能够找到 tool.py，我们在 init_path.py 中添加下面这句:
tools_path = osp.join(this_dir, ‘tools‘) add_path(tools_path )
这样我们就把 ResNet/tools 路径添加到系统中，系统就能找到 tools.py 了。那么我们在 mydemo.py 开头，在 import init_path 之后添加 import tools，这样就把 tools.py 导入到了系统中。我们在 mydemo.py 文件最下面的 make_net() 后面添加以下代码：
# 把内容写入 res_net_model 文件夹中的 res_net_solver.prototxt solver_dir = this_dir + ‘/res_net_model/res_net_solver.prototxt‘ solver_prototxt = tools.CaffeSolver() solver_prototxt.write(solver_dir)
那么res_net_solver.prototxt里面究竟写了啥？我们先打开ResNet/tools/tools.py。
Fig 16 tools.py 截图
里面有各种 solver 参数，论文中的 basb_lr 为 0.1，lr_policy = multistep 等，具体地，我们改成以下的参数：
def __init__(self, testnet_prototxt_path=this_dir+"/../res_net_model/test.prototxt",
trainnet_prototxt_path=this_dir+"/../res_net_model/train.prototxt", debug=False):
self.sp = {}
# critical:
self.sp[‘base_lr‘] = ‘0.1‘
self.sp[‘momentum‘] = ‘0.9‘
# speed:
self.sp[‘test_iter‘] = ‘100‘
self.sp[‘test_interval‘] = ‘500‘
# looks:
self.sp[‘display‘] = ‘100‘
self.sp[‘snapshot‘] = ‘2500‘
self.sp[‘snapshot_prefix‘] = ‘"/home/your_name/ResNet/res_net_model/snapshot/snapshot"‘ # string within a string!
# learning rate policy
self.sp[‘lr_policy‘] = ‘"multistep"‘
self.sp[‘step_value‘] = ‘32000‘
self.sp[‘step_value1‘] = ‘48000‘
# important, but rare:
self.sp[‘gamma‘] = ‘0.1‘
self.sp[‘weight_decay‘] = ‘0.0001‘
self.sp[‘train_net‘] = ‘"‘ + trainnet_prototxt_path + ‘"‘
self.sp[‘test_net‘] = ‘"‘ + testnet_prototxt_path + ‘"‘
# pretty much never change these.
self.sp[‘max_iter‘] = ‘100000‘
self.sp[‘test_initialization‘] = ‘false‘
self.sp[‘average_loss‘] = ‘25‘ # this has to do with the display.
self.sp[‘iter_size‘] = ‘1‘ # this is for accumulating gradients
if (debug):
self.sp[‘max_iter‘] = ‘12‘
self.sp[‘test_iter‘] = ‘1‘
self.sp[‘test_interval‘] = ‘4‘
self.sp[‘display‘] = ‘1‘
下面解释一下为什么设置这些参数，论文中的学习率为 0.1，对应的我们设置 lr_base = 0.1；在迭代到 32000 次，48000 次的时候学习率依次降低十分之一，那么 lr_policy = multistep (多阶段变化), gamma = 0.1；权重的惩罚系数为 0.0001；batch 的大小是 128，这个我们在 ResNet()函数中已经定义过了，momentum 动量是 0.9。那么其他的就随意了，当然有 GPU 最好用 GPU 跑，CPU 跑得相当慢，其他参数的意思都比较好理解，关于 snapshot 这个的意思是每迭代多少次保存一次模型，因此你可以找到模型迭代过程中各个阶段的参数，训练过程是一个漫长的等待，设置snapshot 这个好处就是你可以继续上次的迭代，万一断电了还是什么的模型也还是都保存了下来。
当然，我们还需要在 tools.py 开头添加：
import os.path as osp this_dir = osp.dirname(__file__)
这时，在 mydemo.py 文件中，最下行代码应该是这样的：
if __name__ == ‘__main__‘:
make_net()
# 定义生成 solver 的路径
solver_dir = this_dir + ‘/res_net_model/res_net_solver.prototxt‘
solver_prototxt = tools.CaffeSolver()
# 把内容写入 res_net_model 文件夹中的 res_net_solver.prototxt
solver_prototxt.write(solver_dir)
这样执行 mydemo.py 后生成 solver 的 prototxt 文件就是按照上面的设置生成的，不过要记得生成后把 prototxt 中 stepvalue1 改成 stepvalue，因为 tool.py 不能存相同名字的参数，不然会覆盖掉。
这样，我们就生成了 solver 的 prototxt 文件。