Caffe: python中的级联层(L.Concat)

Question

我想知道如何在python中将两个层连接成一个。更具体地说，我想加入一个具有非可视数据的池(次抽样)层的输出，然后将一个完全连接的层放在上面。

假设次采样层将输出形状为64*2*2的神经元(如果忽略caffe batch_size)，并且我想要加入的数据层只包含一个特性(速度浮动从0到1)。

下面是一些用于将您置于上下文中的虚拟代码：

import numpy as np

import caffe
from caffe import layers as L
from caffe import params as P

# ...

n.conv4 = L.Convolution(n.relu3, kernel_size=3, num_output=64, weight_filler=dict(type='xavier'))
n.pool4 = L.Pooling(n.conv4, kernel_size=3, stride=2, pool=P.Pooling.AVE)
# Data of shape `batch_size*64*2*2` out of this layer (if dropout ignored). 
n.relu4 = L.ReLU(n.pool4, in_place=True)

###
# This is what I want to know how to do, yet this might not even be
# the good way to call the function:
n.join_speed = L.Concat([n.relu4, n.data_speed], in_place=True)
####

n.ip1 = L.InnerProduct(n.join_speed, num_output=512, weight_filler=dict(type='xavier'))
n.sig1 = L.Sigmoid(n.ip1, in_place=True)

# ...

Answer 1

我不确定你是否找到了你的问题的答案，但如果你还没有找到答案，你可能想尝试以下几点：

bottom_layers = [n.relu4, n.data_speed]
n.join_speed = L.Concat(*bottom_layers)

以上允许您通过pycaffe/python层调用Concat层。

Answer 2

我也在尝试做一个python生成的反转换层。

n.deconv8 = L.Deconvolution(n.conv7)

工作正常，但是

n.deconv8 = L.Deconvolution(n.conv7,kernel_size=2)

命中

AttributeError: 'LayerParameter' object has no attribute 'kernel_size'

也同样适用于

n.deconv8 = L.Deconvolution(n.conv7,num_output=1024)

那么，是否有一些新的语法来表示这些参数(也是weight_filler、bias_filler、stride)？

Answer 3

L.Concat(top1，top2，top3)为我工作