Caffe 到 Keras 分组卷积的转换

Question

我试图从一个非常简单的 Caffe 模型中获取权重，并将其解释为功能齐全的 Keras 模型。

这是 Caffe 中模型的原始定义，我们称之为simple.prototxt：

input: "im_data"
input_shape {
  dim: 1
  dim: 3
  dim: 1280
  dim: 1280
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "im_data"
  top: "conv1"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 96
    kernel_size: 11
    pad: 5
    stride: 4
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "conv1"
  top: "conv1"
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 3
    pad: 0
    stride: 2
  }
}
layer {
  name: "norm1"
  type: "LRN"
  bottom: "pool1"
  top: "norm1"
  lrn_param {
    local_size: 5
    alpha: 0.0001
    beta: 0.75
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "norm1"
  top: "conv2"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    kernel_size: 5
    pad: 2
    group: 2
  }
}
layer {
  name: "relu2"
  type: "ReLU"
  bottom: "conv2"
  top: "conv2"
}

Caffe 中的层定义可能看起来很复杂，但它只是将一个维度的图像1280x1280x3传递给卷积层，然后对其进行最大池化并将其传递给最终的卷积层。

这是它在Keras中的实现，它要简单得多：

from keras.models import Model
from keras.layers import Input, BatchNormalization, 
from keras.activations import relu, softmax

im_data = Input(shape=(1280, 1280, 3),
                   dtype='float32',
                   name='im_data')
conv1 = Conv2D(filters=96,
               kernel_size=11,
               strides=(4, 4),
               activation=relu,
               padding='same',
               name='conv1')(im_data)

pooling1 = MaxPooling2D(pool_size=(3, 3),
                        strides=(2, 2),
                        padding='same',
                        name='pooling1')(conv1)
normalized1 = BatchNormalization()(pooling1)  # https://stats.stackexchange.com/questions/145768/importance-of-local-response-normalization-in-cnn

conv2 = Conv2D(filters=256,
               kernel_size=5,
               activation=relu,
               padding='same',
               name='conv2')(normalized1)
model = Model(inputs=[im_data], outputs=conv2)  

---

问题：

虽然这两个模型在每一层似乎都有相似的参数，但问题是它们的权重形状并不相等。我知道 Caffe 的形状顺序与 Keras 不同，但这里不关心顺序。

问题在于，与 Caffe 中的最后一个卷积层相比，Keras 的最后一个卷积层在第 3 维上具有不同的值。见下文。

---

Caffe 的权重形状：

>>> net = caffe.net('simple.prototxt', 'premade_weights.caffemodel', caffe.TEST)
>>> for i in range(len(net.layers)):
...     if len(net.layers[i].blobs) != 0:  # if layer has no weights
...         print(("name", net._layer_names[i]))
...         print("weight_shapes", [v.data.shape for v in net.layers[i].blobs])
('name', 'conv1')
('weight_shapes', [(96, 3, 11, 11), (96,)])
('name', 'conv2')
('weight_shapes', [(256, 48, 5, 5), (256,)])

Keras 的权重形状：

>>> for layer in model.layers:
...     if len(layer.get_weights()) != 0:
...         print(("name", layer.name))
...         print(("weight_shapes", [w.shape for w in layer.get_weights()]))  
('name', 'conv1')
('weight_shapes', [(11, 11, 3, 96), (96,)])
('name', 'conv2')
('weight_shapes', [(5, 5, 96, 256), (256,)])

这似乎是一种奇怪的行为。如您所见，conv1Caffe 和 Keras 中的形状是相等的（忽略顺序）。但是在 Caffeconv2形状中是[(256, 48, 5, 5), (256,)])，而在 Keras 'conv2' 形状中是[(5, 5, 96, 256), (256,)]，请注意，那个48*2=96。

另外，请注意该conv2层直接在最大池化层之后，因此 Keras 中的最大池化层可能有问题。

---

题：

我是否正确解释了从 Caffe 到 Keras 的模型定义？特别是最大池化层及其参数？

非常感谢！

Answer 1

注意定义中的group: 2字段conv2。这意味着你在那里得到了一个分组卷积（Caffe：组参数是什么意思？）。从技术上讲，这意味着您有两个过滤器，每个都是 shape (128, 48, 5, 5)。第一个将与前 48 个通道卷积并产生前 128 个输出，第二个用于剩余的输出。然而，Caffe 将两个权重存储在一个 blob 中，这就是为什么它的形状是(128x2, 48, 5, 5)

KerasConv2D层中没有这样的参数，但广泛采用的解决方法是将输入特征图与Lambda层分开，用两个不同的卷积层处理它们，然后合并回单个特征图。

from keras.layers import Concatenate

normalized1_1 = Lambda(lambda x: x[:, :, :, :48])(normalized1)
normalized1_2 = Lambda(lambda x: x[:, :, :, 48:])(normalized1)

conv2_1 = Conv2D(filters=128,
                 kernel_size=5,
                 activation=relu,
                 padding='same',
                 name='conv2_1')(normalized1_1)

conv2_2 = Conv2D(filters=128,
                 kernel_size=5,
                 activation=relu,
                 padding='same',
                 name='conv2_2')(normalized1_2)

conv2 = Concatenate(name='conv_2_merge')([conv2_1, conv2_2])

我没有检查代码的正确性，但想法一定是这样的。

关于您的任务：将网络从 Caffe 转换为 Keras 可能很棘手。要获得绝对相同的结果，你必须遇到很多像微妙的东西不对称填充在盘旋或不同的MAX-缓冲池行为。这就是为什么如果您从 Caffe 导入权重，您可能无法用 batchnorm 替换 LRN 层。幸运的是，Keras 中有 LRN 的实现，例如这里。