Caffe没有读取所有h5文件

Question

我在train.txt中列出了以下train.txt文件，这些文件将提供给hdf5数据层。

/home/foo/data/h5_files/train_data1.h5 /home/foo/data/h5_files /home/foo/data/h5_files/train_data3.h5 /home/foo/data/h5_files/train_data4.h5 /home/foo/data/h5_files/train_data5.h5

我有3个数据集- X、Meta和Labels在这些文件中。最初，我将所有这些都保存在一个h5文件中，但由于caffe不能处理大于2GB的h5文件，所以我不得不将X(假设X由5000个样本组成)分成5部分。在第一个h5中，我将Meta和标签与第一部分一起存储，即1000个X样本，在其余的4个h5文件中，我每个都有1000个样本。当我开始执行finetuning时，caffe会使用以下错误消息崩溃

0111 07:46:54.094041 23981 layer_factory.hpp:74] Creating layer data
 net.cpp:76] Creating Layer data
 net.cpp:334] data -> X
 net.cpp:334] data -> Labels
 net.cpp:334] data -> Meta
 net.cpp:105] Setting up data
 hdf5_data_layer.cpp:66] Loading list of HDF5  filenames from: /home/foo/hdf5_train.txt
 hdf5_data_layer.cpp:80] Number of HDF5 files: 5
 hdf5_data_layer.cpp:53] Check failed: hdf_blobs_[i]->num() == num (5000 vs. 1000) 

*** Check failure stack trace: ***
    @     0x7f1eebcab0d0  google::LogMessage::Fail()
    @     0x7f1eebcab029  google::LogMessage::SendToLog()
    @     0x7f1eebcaaa07  google::LogMessage::Flush()
    @     0x7f1eebcad98f  google::LogMessageFatal::~LogMessageFatal()
    @     0x7f1ef18ff045  caffe::HDF5DataLayer<>::LoadHDF5FileData()
    @     0x7f1ef18fdca4  caffe::HDF5DataLayer<>::LayerSetUp()
    @     0x7f1ef196bffc  caffe::Net<>::Init()
    @     0x7f1ef196e0b2  caffe::Net<>::Net()
    @     0x7f1ef18cf3cd  caffe::Solver<>::InitTrainNet()
    @     0x7f1ef18cfa3f  caffe::Solver<>::Init()
    @     0x7f1ef18cfe75  caffe::Solver<>::Solver()
    @           0x40a3c8  caffe::GetSolver<>()
    @           0x404fb1  train()
    @           0x405936  main
    @       0x3a8141ed1d  (unknown)
    @           0x4048a9  (unknown)

在我看来，主要的问题是“检查失败: hdf_blobs_i-> num () == num (5000对1000)”。

根据这一假设，caffe只读取第一个h5文件，如何使它读取所有5个h5文件？请帮帮我！

Answer 1

您期望caffe如何跨所有文件同步所有输入数据？您期望它从第二个文件中读取X，从第一个文件中读取Meta吗？

如果您要实现"HDF5Data"层，您将如何期望为您部署这些数据？

目前，在caffe中实现的方式是，所有变量都应该以相同的方式在HDF5文件之间划分。也就是说，如果您决定将X分为5个文件，例如第一个文件中的1000个样本，第二个文件中的1234个样本。那么必须以相同的方式对Meta和Labels进行划分：train_data1.h5将有1000个X、Meta和Label样本；train_data2.h5将有1234个X、Meta和D16等等。

Caffe不将所有数据加载到内存中，它只获取SGD迭代所需的批处理。因此，将变量拆分到不同的文件中是没有意义的。此外，如果将存储在每个文件中的样本数作为batch_size的整数倍，则可能会有所帮助。