好吊视频一区二区三区,午夜性爽快,日本又色又爽又黄的A片吻戏

這篇文章主要介紹Caffe2的基本數(shù)據(jù)結(jié)構(gòu)：

Workspaces
Operators
Nets

在開始之前最好先閱讀以下Intro Turorial
首先，導(dǎo)入caffe2。其中core和worksapce模塊，這是必須的兩個(gè)模塊。如果你要使用Caffe2生成的protocol buffers，那么你也需要從caffe2_pb2中導(dǎo)入caffe2_pb2模塊。

# We'll also import a few standard python libraries
from matplotlib import pyplot
import numpy as np
import time

# These are the droids you are looking for.
from caffe2.python import core, workspace
from caffe2.proto import caffe2_pb2

如果你看到一些警告：Caffe2不支持GPU。這說明，你正在跑的Caffe2僅僅編譯了CPU模式。不用擔(dān)心，Caffe2在CPU上也是可以運(yùn)行的。

Workspaces

讓我們先來介紹Workspace，它包含了所有數(shù)據(jù)。如果你熟悉Matlab ，worksapce包含了所有你創(chuàng)建的blob并保存在內(nèi)存中。現(xiàn)在，讓我們考慮一個(gè)N維的blob，blob和numpy的矩陣很像，但是它是連續(xù)的。接下來，我們將展示blob實(shí)際上是一種能指向任何C++類型對(duì)象的指針。下面，我們來看看接口是什么樣的的。

Blobs()函數(shù)可以打印workspace里面所有的blobs。HasBlob則用于查詢worksapce里面是否存在某個(gè)blob。不過，目前為止，我們的workspace里面沒有任何東西。

print("Current blobs in the workspace: {}".format(workspace.Blobs()))
print("Workspace has blob 'X'? {}".format(workspace.HasBlob("X")))

FeedBlob()函數(shù)用于向worksapce里面?zhèn)鬟fblob。

X = np.random.randn(2, 3).astype(np.float32)
print("Generated X from numpy:\n{}".format(X))
workspace.FeedBlob("X", X)

打印出來的X如下：

Generated X from numpy:
[[-0.56927377 -1.28052795 -0.95808828]
 [-0.44225693 -0.0620895  -0.50509363]]

讓我們看一下workspace里面的blob是什么樣的。

print("Current blobs in the workspace: {}".format(workspace.Blobs()))
print("Workspace has blob 'X'? {}".format(workspace.HasBlob("X")))
print("Fetched X:\n{}".format(workspace.FetchBlob("X")))

輸出如下：

Current blobs in the workspace: [u'X']
Workspace has blob 'X'? True
Fetched X:
[[-0.56927377 -1.28052795 -0.95808828]
 [-0.44225693 -0.0620895  -0.50509363]]

接著驗(yàn)證兩個(gè)矩陣是否相等：

np.testing.assert_array_equal(X, workspace.FetchBlob("X"))

注意，如果你訪問一個(gè)不存在的blob，將會(huì)引發(fā)一個(gè)錯(cuò)誤：

try:
    workspace.FetchBlob("invincible_pink_unicorn")
except RuntimeError as err:
    print(err)

錯(cuò)誤輸出如下：

[enforce fail at pybind_state.cc:441] gWorkspace->HasBlob(name).

另外，有一個(gè)你目前可能還用不上的東西：你可以定義兩個(gè)不同名字的workspace，并且在他們之間切換。不同workspace的bolb是相互分離的。你可以通過CurrentWorkspace()函數(shù)來訪問當(dāng)前的workspace。下面演示了如何切換不同的workspace和創(chuàng)建新的workspace。

print("Current workspace: {}".format(workspace.CurrentWorkspace()))
print("Current blobs in the workspace: {}".format(workspace.Blobs()))

# 切換到`gutentag` workspace，第二個(gè)參數(shù)`True`表示，如果`gutentag`不存在，則創(chuàng)建一個(gè)。
workspace.SwitchWorkspace("gutentag", True)

# 現(xiàn)在重新打印，注意到當(dāng)前的workspace是`gutentag`，并且其中不包含任何東西。
print("Current workspace: {}".format(workspace.CurrentWorkspace()))
print("Current blobs in the workspace: {}".format(workspace.Blobs()))

程序輸出：

Current workspace: default
Current blobs in the workspace: ['X']
Current workspace: gutentag
Current blobs in the workspace: []

重新切換回到defaultworkspace

workspace.SwitchWorkspace("default")
print("Current workspace: {}".format(workspace.CurrentWorkspace()))
print("Current blobs in the workspace: {}".format(workspace.Blobs()))

并有如下輸出：

Current workspace: default
Current blobs in the workspace: ['X']

最后，調(diào)用ResetWorkspace()函數(shù)可以清空當(dāng)前的workspace的所有東西

workspace.ResetWorkspace()

Operators

Caffe2中，operator就像函數(shù)一樣。從C++的角度理解，operator全部從一個(gè)通用的接口繼承而來，它們通過類型進(jìn)行注冊(cè)，所以，我們可以在運(yùn)行時(shí)調(diào)用不同的操作。operator的接口定義在caffe2/proto/caffe2.proto文件中。Operator根據(jù)輸出產(chǎn)生相應(yīng)的輸出。
記住，在Caffe2的Python接口中，當(dāng)我們說“創(chuàng)建一個(gè)operator”時(shí)，程序并沒有跑起來，它只是創(chuàng)建了關(guān)于這個(gè)operator的protocol buffere，也就是定義了這個(gè)operator，但還沒執(zhí)行。之后，這個(gè)operator才會(huì)傳遞給C++接口禁止執(zhí)行。如果你不明白什么是protobuf，那么你可以看下這個(gè)鏈接.
**1. **
下面看一個(gè)實(shí)際例子：

# Create an operator.
op = core.CreateOperator(
    "Relu", # The type of operator that we want to run
    ["X"], # 輸入 blobs 的名字的列表
    ["Y"], # A list of 輸出 blobs by their names
)
# and we are done!

我們之前說到，創(chuàng)建op（operator）,事實(shí)上只是創(chuàng)建了一個(gè)protobuf對(duì)象。我們可以查看它的內(nèi)容。

print("Type of the created op is: {}".format(type(op)))
print("Content:\n")
print(str(op))

輸出如下：

Type of the created op is: <class 'caffe2.proto.caffe2_pb2.OperatorDef'>
Content:
input: "X"
output: "Y"
name: ""
type: "Relu"

現(xiàn)在跑起這個(gè)operator，我們首先需要向workspace中傳入數(shù)據(jù)X，然后簡單的調(diào)用workspace.RunOperatorOnce(operator)函數(shù)就可以。

workspace.FeedBlob("X", np.random.randn(2, 3).astype(np.float32))
workspace.RunOperatorOnce(op)

執(zhí)行完后，讓我們檢查下這個(gè)operator是否正確操作。在這個(gè)操作中我們使用的是Relu函數(shù)。Relu函數(shù)在輸入小于0時(shí)，取0，在輸入大于0時(shí)，保持不變。

print("Current blobs in the workspace: {}\n".format(workspace.Blobs()))
print("X:\n{}\n".format(workspace.FetchBlob("X")))
print("Y:\n{}\n".format(workspace.FetchBlob("Y")))
print("Expected:\n{}\n".format(np.maximum(workspace.FetchBlob("X"), 0)))

輸出如下,可以看到輸出Y和你期望值一樣，這個(gè)operator正確跑起來了：

Current blobs in the workspace: ['X', 'Y']
X:
[[ 1.03125858  1.0038228   0.0066975 ]
 [ 1.33142471  1.80271244 -0.54222912]]
Y:
[[ 1.03125858  1.0038228   0.0066975 ]
 [ 1.33142471  1.80271244  0.        ]]

Expected:
[[ 1.03125858  1.0038228   0.0066975 ]
 [ 1.33142471  1.80271244  0.        ]]

2.
當(dāng)然Operator也支持選項(xiàng)參數(shù)。選項(xiàng)參數(shù)通過key-value對(duì)確定。下面是一個(gè)簡單的例子：創(chuàng)建一個(gè)tensor并且用高斯隨機(jī)值填充它。

op = core.CreateOperator(
    "GaussianFill",
    [], # GaussianFill does not need any parameters.
    ["Z"],
    shape=[100, 100], # shape argument as a list of ints.
    mean=1.0,  # mean as a single float
    std=1.0, # std as a single float
)
print("Content of op:\n")
print(str(op))

看看輸出：

Content of op:
output: "Z"
name: ""
type: "GaussianFill"
arg {
  name: "std"
  f: 1.0
}
arg {
  name: "shape"
  ints: 100
  ints: 100
}
arg {
  name: "mean"
  f: 1.0
}

然后我們跑起這個(gè)op,看看事情是否如期。

workspace.RunOperatorOnce(op)
temp = workspace.FetchBlob("Z")
pyplot.hist(temp.flatten(), bins=50)
pyplot.title("Distribution of Z")

image.png

沒錯(cuò)，就是這樣。

Nets

Net其實(shí)是多個(gè)operator的集合，就像寫程序時(shí)一行一行的命令。

讓我們創(chuàng)建一個(gè)等價(jià)于下面Python代碼的網(wǎng)絡(luò)。

X = np.random.randn(2, 3)
W = np.random.randn(5, 3)
b = np.ones(5)
Y = X * W^T + b

Caffe2中的core.net是對(duì)NetDef protocol buffer的一個(gè)封裝類。當(dāng)創(chuàng)建一個(gè)網(wǎng)絡(luò)時(shí)，這個(gè)對(duì)象完全是空的，除了擁有它的名字信息外。

net = core.Net("my_first_net")
print("Current network proto:\n\n{}".format(net.Proto()))

Current network proto:
name: "my_first_net"

接著創(chuàng)建一個(gè)blob，命名為“X”,使用高斯函數(shù)進(jìn)行填充。

X = net.GaussianFill([], ["X"], mean=0.0, std=1.0, shape=[2, 3], run_once=0)
print("New network proto:\n\n{}".format(net.Proto()))

這時(shí)網(wǎng)絡(luò)的結(jié)構(gòu)如下

New network proto:
name: "my_first_net"
op {
  output: "X"
  name: ""
  type: "GaussianFill"
  arg {
    name: "std"
    f: 1.0
  }
  arg {
    name: "run_once"
    i: 0
  }
  arg {
    name: "shape"
    ints: 2
    ints: 3
  }
  arg {
    name: "mean"
    f: 0.0
  }
}

聰明的讀者肯定想起了我們之前提到的core.CreateOperator()。事實(shí)上，當(dāng)我們有了一個(gè)net，我們可以直接創(chuàng)建一個(gè)operator然后通過Python接口加到net中去。比如，你調(diào)用了net.SomeOp，這里的SomeOp是一個(gè)注冊(cè)了的operator的字符串，因此上面的操作和下面等效。

op = core.CreateOperator("SomeOp", ...)
net.Proto().op.append(op)

譯者注:
比如在我用op = core.CreateOperator("GaussianFill",[], ["Z"],shape=[100, 100],mean=1.0, std=1.0)創(chuàng)建了一個(gè)op，op的type為“GaussianFill”，這是一個(gè)注冊(cè)了的類型。然后再調(diào)用net.Proto().op.append(op)把這個(gè)op添加到網(wǎng)絡(luò)中去。
以上的操作可以同過net來調(diào)用直接實(shí)現(xiàn)。直接使用op的type string---“GaussianFill”作為函數(shù)名字，net.GaussianFill([], ["X"], mean=0.0, std=1.0, shape=[2, 3], run_once=0)。

當(dāng)然，讀者可能感到困惑，X是什么？X是一個(gè) BlobReference，這個(gè)引用包含兩樣?xùn)|西：
- 名字，可以通過str(X)來訪問得到
- 它是哪個(gè)net創(chuàng)建的，記錄在其中的變量_from_net
現(xiàn)在讓我們驗(yàn)證它。同樣記住，我們還沒有跑任何東西，所以X只是個(gè)符號(hào)，里面什么也沒有。別只望它會(huì)輸出什么值。

print("Type of X is: {}".format(type(X)))
print("The blob name is: {}".format(str(X)))

Type of X is: <class 'caffe2.python.core.BlobReference'>
The blob name is: X

讓我們繼續(xù)創(chuàng)建W和b.

W = net.GaussianFill([], ["W"], mean=0.0, std=1.0, shape=[5, 3], run_once=0)
b = net.ConstantFill([], ["b"], shape=[5,], value=1.0, run_once=0)

現(xiàn)在一個(gè)簡單的代碼：Note由于BlonReference對(duì)象知道它由什么網(wǎng)絡(luò)創(chuàng)建的，所以除了從net中創(chuàng)建op，你還可以通過BlobReference創(chuàng)建op。因此，我們可以通過如下方式創(chuàng)建FC操作。

Y = X.FC([W, b], ["Y"])

事實(shí)上，在底下，X.FC(...)只是簡單的委托net.FC來實(shí)現(xiàn)，X.FC()會(huì)將X作為op的第一個(gè)輸入。所以上面的操作其實(shí)等價(jià)于下面的：

Y = net.FC([X, W, b], ["Y"])

現(xiàn)在讓我們看下當(dāng)前這個(gè)網(wǎng)絡(luò)。

print("Current network proto:\n\n{}".format(net.Proto()))

Current network proto:
name: "my_first_net"
op {
  output: "X"
  name: ""
  type: "GaussianFill"
  arg {
    name: "std"
    f: 1.0
  }
  arg {
    name: "run_once"
    i: 0
  }
  arg {
    name: "shape"
    ints: 2
    ints: 3
  }
  arg {
    name: "mean"
    f: 0.0
  }
}
op {
  output: "W"
  name: ""
  type: "GaussianFill"
  arg {
    name: "std"
    f: 1.0
  }
  arg {
    name: "run_once"
    i: 0
  }
  arg {
    name: "shape"
    ints: 5
    ints: 3
  }
  arg {
    name: "mean"
    f: 0.0
  }
}
op {
  output: "b"
  name: ""
  type: "ConstantFill"
  arg {
    name: "run_once"
    i: 0
  }
  arg {
    name: "shape"
    ints: 5
  }
  arg {
    name: "value"
    f: 1.0
  }
}
op {
  input: "X"
  input: "W"
  input: "b"
  output: "Y"
  name: ""
  type: "FC"
}

是不是覺得太過冗長？GOOD~讓我們嘗試下把它變成一個(gè)圖。用ipython顯示。

from caffe2.python import net_drawer
from IPython import display
graph = net_drawer.GetPydotGraph(net, rankdir="LR")
display.Image(graph.create_png(), width=800)

image.png

目前為止，我們已經(jīng)定義了一個(gè)Net，但是并沒有執(zhí)行任何東西。記住，上面的net只是一個(gè)protobuf，僅僅定義了網(wǎng)路的結(jié)構(gòu)。當(dāng)我們真正跑起這個(gè)網(wǎng)絡(luò)時(shí)，底層發(fā)生的事件如下。
- 實(shí)例化protobuf中定義的C++net 對(duì)象
- 調(diào)用實(shí)例化后的net的Run()函數(shù)
在我們進(jìn)行任何操作前，我們應(yīng)該先使用ResetWorkspace()清空workspace里的東
西。
NOTE有兩種方式通過python來跑一個(gè)網(wǎng)絡(luò)。我們選擇第一種來展示。

使用 workspace.RunNetOnce()
第二種更復(fù)雜點(diǎn)：需要兩步，a) 調(diào)用workspace.CreateNet()創(chuàng)建C++net對(duì)象，b)使用workspace.RunNet(),這步需要傳遞網(wǎng)絡(luò)的名字作為參數(shù)。

第一種

workspace.ResetWorkspace()
print("Current blobs in the workspace: {}".format(workspace.Blobs()))
workspace.RunNetOnce(net)
print("Blobs in the workspace after execution: {}".format(workspace.Blobs()))
# Let's dump the contents of the blobs
for name in workspace.Blobs():
    print("{}:\n{}".format(name, workspace.FetchBlob(name)))

輸出如下：

Current blobs in the workspace: []
Blobs in the workspace after execution: ['W', 'X', 'Y', 'b']
W:
[[-0.96537346  0.42591459  0.66788739]
 [-0.47695673  2.25724339 -0.10370601]
 [-0.20327474 -3.07469416  0.47715324]
 [-1.62159526  0.73711687 -1.42365313]
 [ 0.60718107 -0.50448036 -1.17132831]]
X:
[[-0.99601173 -0.61438894  0.10042733]
 [ 0.23359862  0.15135486  0.77555442]]
Y:
[[ 1.76692021  0.07781416  3.13944149  2.01927781  0.58755434]
 [ 1.35693741  1.14979863  0.85720366 -0.37135673  0.15705228]]
b:
[ 1.  1.  1.  1.  1.]

第二種
現(xiàn)在嘗試第二種方法去創(chuàng)建這個(gè)網(wǎng)絡(luò)，并跑起它。

workspace.ResetWorkspace()
print("Current blobs in the workspace: {}".format(workspace.Blobs()))
workspace.CreateNet(net)
workspace.RunNet(net.Proto().name)#傳入名字
print("Blobs in the workspace after execution: {}".format(workspace.Blobs()))
for name in workspace.Blobs():
    print("{}:\n{}".format(name, workspace.FetchBlob(name)))

輸出

Current blobs in the workspace: []
Blobs in the workspace after execution: ['W', 'X', 'Y', 'b']
W:
[[-0.29295802  0.02897477 -1.25667715]
 [-1.82299471  0.92877913  0.33613944]
 [-0.64382178 -0.68545657 -0.44015241]
 [ 1.10232282  1.38060772 -2.29121733]
 [-0.55766547  1.97437167  0.39324901]]
X:
[[-0.47522315 -0.40166432  0.7179445 ]
 [-0.8363331  -0.82451206  1.54286408]]
Y:
[[ 0.22535783  1.73460138  1.2652775  -1.72335696  0.7543118 ]
 [-0.71776152  2.27745867  1.42452145 -4.59527397  0.4452306 ]]
b:
[ 1.  1.  1.  1.  1.]

RunNetOnce()和RunNet()之間有不少差異，其中最大的差異就是計(jì)算耗時(shí)。因?yàn)?code>RunNetOnce()涉及到protobuf的序列化，和實(shí)例化網(wǎng)絡(luò)。這可能會(huì)使用很長時(shí)間。讓我們來看下開銷。

# It seems that %timeit magic does not work well with
# C++ extensions so we'll basically do for loops
start = time.time()
for i in range(1000):
    workspace.RunNetOnce(net)
end = time.time()
print('Run time per RunNetOnce: {}'.format((end - start) / 1000))

start = time.time()
for i in range(1000):
    workspace.RunNet(net.Proto().name)
end = time.time()
print('Run time per RunNet: {}'.format((end - start) / 1000))

輸出如下：

Run time per RunNetOnce: 0.000364284992218
Run time per RunNet: 4.42600250244e-06

可以看到RunNet()更快。

結(jié)語：以上就是Caffe2的Python接口的一些主要部件。裝載請(qǐng)注明出處：
http://www.lxweimin.com/c/cf07b31bb5f2

三个男躁一个女,国精产品一区一手机的秘密,麦子交换系列最经典十句话,欧美国产综合欧美视频

Caffe2 的基本數(shù)據(jù)結(jié)構(gòu)（Basics of Caffe2 - Workspaces, Operators, and Nets）[4]

Caffe2 的基本數(shù)據(jù)結(jié)構(gòu)（Basics of Caffe2 - Workspaces, Operators, and Nets）[4]

Workspaces

Operators

Nets

推薦閱讀更多精彩內(nèi)容

三个男躁一个女,国精产品一区一手机的秘密,麦子交换系列最经典十句话,欧美 国产 综合 欧美 视频

Caffe2 的基本數(shù)據(jù)結(jié)構(gòu)（Basics of Caffe2 - Workspaces, Operators, and Nets）[4]

Workspaces

Operators

Nets

推薦閱讀更多精彩內(nèi)容

三个男躁一个女,国精产品一区一手机的秘密,麦子交换系列最经典十句话,欧美国产综合欧美视频