PROSAGA码农传奇-Caffe-caffe中的“ Python”层是什么？

Prune和Bharat的答案给出了一个"Python"层的总体目的：一个通用层，它是用python而不是c ++实现的。

我打算将此答案用作使用"Python"图层的教程。

"Python"图层教程
什么是"Python"层？
请查看Prune和Bharat的出色回答。

前提条件
为了使用'Python"图层，您需要使用flag编译caffe

WITH_PYTHON_LAYER := 1
设置在'Makefile.config'。

如何实现"Python"一层？
阿"Python"层应被实现为衍生自Python类caffe.Layer基类。此类必须具有以下四个方法：

```
import caffe
class my_py_layer(caffe.Layer):
  def setup(self, bottom, top):
    pass

def reshape(self, bottom, top):
    pass

def forward(self, bottom, top):
    pass

def backward(self, top, propagate_down, bottom):
    pass
```

这些方法是什么？

def setup(self, bottom, top)：当caffe构建网络时，将一次调用此方法。此功能应检查输入数量（len(bottom)）和输出数量（len(top)）是否符合预期。
您还应该在此处分配网络的内部参数（即self.add_blobs()），有关更多信息，请参见此线程。
此方法可以访问self.param_str-从原型文件传递到图层的字符串。有关更多信息，请参见此线程。

def reshape(self, bottom, top)：每当caffe重塑网络时，都会调用此方法。此函数应分配输出（每个topBlob）。输出的形状通常与bottoms的形状有关。

def forward(self, bottom, top)：实施从bottom到的向前传递top。

def backward(self, top, propagate_down, bottom)：此方法实现了反向传播，它将梯度从传播top到bottom。propagate_down是一个布尔向量，len(bottom)指示bottom应将梯度传播到s中的哪一个。

您可以在这篇文章中找到更多有关信息bottom和top输入的信息。

例如
你可以看到蟒蛇简化层的一些例子在这里，这里和这里。
可以在此处找到“移动平均值”输出层的示例。

可训练参数
"Python"层可以具有可训练参数（如"Conv"，"InnerProduct"等）。
您可以在此线程和此线程中找到有关添加可训练参数的更多信息。在caffe git中也有一个非常简化的示例。

如何"Python"在原型文件中添加图层？
有关详细信息，请参见Bharat的答案。
您需要将以下内容添加到您的原型中：

```
layer {
  name: 'rpn-data'
  type: 'Python'  
  bottom: 'rpn_cls_score'
  bottom: 'gt_boxes'
  bottom: 'im_info'
  bottom: 'data'
  top: 'rpn_labels'
  top: 'rpn_bbox_targets'
  top: 'rpn_bbox_inside_weights'
  top: 'rpn_bbox_outside_weights'
  python_param {
    module: 'rpn.anchor_target_layer'  # python module name where your implementation is
    layer: 'AnchorTargetLayer'   # the name of the class implementation
    param_str: "'feat_stride': 16"   # optional parameters to the layer
  }
}
```

如何"Python"使用pythonic NetSpec界面添加图层？
很简单：

```
import caffe
from caffe import layers as L

ns = caffe.NetSpec()
# define layers here...
ns.rpn_labels, ns.rpn_bbox_targets, \
  ns.rpn_bbox_inside_weights, ns.rpn_bbox_outside_weights = \
    L.Python(ns.rpn_cls_score, ns.gt_boxes, ns.im_info, ns.data, 
             name='rpn-data',
             ntop=4, # tell caffe to expect four output blobs
             python_param={'module': 'rpn.anchor_target_layer',
                           'layer': 'AnchorTargetLayer',
                           'param_str': '"\'feat_stride\': 16"'})
```

如何使用一层网"Python"？
您无需担心从caffe调用python代码。Caffe使用boost API从编译的c ++调用python代码。
您需要做什么？
确保实现您的图层的python模块在其中，$PYTHONPATH以便在caffe import时可以找到它。
举例来说，如果你的模块my_python_layer.py中/path/to/my_python_layer.py，然后

PYTHONPATH=/path/to:$PYTHONPATH $CAFFE_ROOT/build/tools/caffe train -solver my_solver.prototxt
应该工作正常。

如何测试我的图层？
在使用该图层之前，应始终对其进行测试。
测试forward功能完全取决于您，因为每个层都有不同的功能。
测试该backward方法很容易，因为该方法仅实现了一个渐变，forward因此可以自动进行数值测试！
签出test_gradient_for_python_layer测试实用程序：

```
import numpy as np
from test_gradient_for_python_layer import test_gradient_for_python_layer

# set the inputs
input_names_and_values = [('in_cont', np.random.randn(3,4)), 
                          ('in_binary', np.random.binomial(1, 0.4, (3,1))]
output_names = ['out1', 'out2']
py_module = 'folder.my_layer_module_name'
py_layer = 'my_layer_class_name'
param_str = 'some params'
propagate_down = [True, False]

# call the test
test_gradient_for_python_layer(input_names_and_values, output_names, 
                               py_module, py_layer, param_str, 
                               propagate_down)

# you are done!
```

特别通知
值得一提的是，python代码仅在CPU上运行。因此，如果您计划在网络中间放置一个Python层，那么当您计划使用GPU时，性能将会大大下降。发生这种情况是因为caffe需要在调用python层之前将blob从GPU复制到CPU，然后再复制回GPU才能进行向前/向后传递。
如果python层是输入层或最顶层的损耗层，则这种降级的意义就很小。
更新： 2017年9月19日，PR＃5904合并为master。此PR通过python接口公开blob的GPU指针。您可以直接从python直接访问blob._gpu_data_ptr和blob._gpu_diff_ptr，后果自负。