Caffe源码分析—phaselevelstage理解

在caffe中，trainprototxt 、testprototxt和 deployprototxt中间为了增加网络结构（prototxt）文件的灵活性，可以通过设置phase、stage、level参数实现train、test、deploy文件统一合并在一个prototxt文件中（通常见到的train_test合并为一个文件或分开为两个文件就是使用了这些参数）。

其中phase指定当前Proto文件运行所在阶段，level要求Layer级别以及stage过滤。通过这三个字段可以选择或过滤掉相关的Layer。

这两个参数实际是与上面SolverParameter的train_state进行合并

1、训练模型时保存log日志文件

方法1   一般情况下我们的训练模型标准语句是： $ sudo  /build/tools/caffe train -solver=xxx/xxx/solverprototxt       xxx/xxx/表示你的solverprototxt文件所在位置

  需要保存log文件时的命令是：$ sudo GLOG_logtostderr=0 GLOG_log_dir='xxx/xxx/xxx/' build/tools/caffe train -solver=xxx/xxx/solverprototxt      ’xxx/xxx/xxx/‘表示你所保存的log文件所在位置。

       训练完成后发现在我们保存的目录xxx/xxx/xxx/下生成了两个上锁log文件caffeINFO和caffeubunturootlogINFO20170611-1037125383。点击打开后我们可以看到我们所训练的日志文件。

方法2    /build/tools/caffe train -solver=xn/PENLU/neural/nin/nin_solverprototxt 2>&1 | tee xn/PENLU/snapshot/nin/nin_relulog

2、利用生成的log文件绘制accuary loss曲线图

首先绘制图，caffe中其实已经自带了这样的小工具 caffe-master/tools/extra/parse_logsh  和caffe-master/tools/extra/extract_secondspy还有 caffe-master/tools/extra/plot_training_logpyexample;拷贝以上文件到当前训练模型的目录下。

      然后我们到你保存的log文件目录下将1中保存的log文件解锁，解锁命令：sudo chmod -R 777 /caffeubunturootlogINFO20170611-1037125383

      解锁后我们就可以更改该log文件名为xxxlog（注意：要画图一定是log文件，所以不改名不可以画）。

然后复制该xxxlog文件到你训练模型所在目录下。

      然后就可以利用命令画图了：在模型所在目录下命令： /plot_training_logpyexample y xxxpng xxxlog      xxxpng是你保存的绘制出的名称，xxxlog是你保存的log文件名称。y表示的是你的所绘制的到底是什么，具体解释如下：

        y的数字代表意义（0~7）：

Supported chart types:    0: Test accuracy  vs Iters    (准确率与迭代次数图）

1: Test accuracy  vs Seconds    （准确率与时间图）

2: Test loss  vs Iters    （测试损失与迭代次数图）

3: Test loss  vs Seconds    （测试损失与时间图）

4: Train learning rate  vs Iters    （学习率与迭代次数图）

5: Train learning rate  vs Seconds    （学习率与时间图）

6: Train loss  vs Iters    （训练损失与迭代次数图）

7: Train loss  vs Seconds   （训练损失与时间图）

运行后生成的文件有：log-datalogtest和log-datalogtest和xxxpng

3、test测试log日志文件保存与绘图类似过程

caffenet的网络配置文件，放在 caffe/models/bvlc_reference_caffenet/
这个文件夹里面，名字叫train_valprototxt。打开这个文件，将里面的内容复制到上图的Custom
Network文本框里，然后进行修改，主要修改这几个地方：
1、修改train阶段的data层为：
layer {
name: "data"
type: "Data"
top: "data"
top: "label"
include {
phase: TRAIN
}
transform_param {
mirror: true
crop_size: 227
}
}
即把均值文件（mean_file)、数据源文件(source)、批次大小(batch_size)和数据源格式（backend)这四项都删除了。因为这四项系统会根据dataset和页面左边“solver options"的设置自动生成。
2、修改test阶段的data层：
layer {
name: "data"
type: "Data"
top: "data"
top: "label"
include {
phase: TEST
}
transform_param {
mirror: false
crop_size: 227
}
}
和上面一样，也是删除那些项。
3、修改最后一个全连接层（fc8)：
layer {
name: "fc8-re" #原来为"fc8"
type: "InnerProduct"
bottom: "fc7"
top: "fc8"
param {
lr_mult: 10
decay_mult: 10
}
param {
lr_mult: 20
decay_mult: 00
}
inner_product_param {
num_output: 5 #原来为"1000"
weight_filler {
type: "gaussian"
std: 001
}
bias_filler {
type: "constant"
value: 00
}
}
}
看注释的地方，就只有两个地方修改，其它不变。
设置好后，就可以开始微调了(fine tuning)
训练结果就是一个新的model，可以用来单张和多张测试。具体测试方法前一篇文章已讲过，在此就不重复了。
在此，将别人训练好的model用到我们自己的分类上，整个微调过程就是这样了。如果你不用digits，而直接用命令 *** 作，那就更简单，只需要修改一个train_valprototxt的配置文件就可以了，其它都是一样的 *** 作。

pip install pydotplus（需要安装pydotplus这个package）
在containter的bash中，利用：
python caffe/python/draw_netpy workspace/prettynetprototxt workspace/prettynetjpg11
workspace/prettynetprototxt:prototxt文件
workspace/prettynetjpg：目标ipg的名字（及位置）
或者是代码
# Load the module
import caffe
import caffedraw
from caffeproto import caffe_pb2
from googleprotobuf import text_format
# Set the parameters
input_net_proto_file = 'test_netprototxt' # net configuration file
output_image_file ='test_netjpg' # the output image
rankdir ='LR' # net arrange method: LR、TB、RL
# Read the net
net = caffe_pb2NetParameter()
text_formatMerge(open(input_net_proto_file)read(), net)
# Draw the net
print('Drawing net to %s' % output_image_file)
caffedrawdraw_net_to_file(net, output_image_file, rankdir)
print('done')

横断面设计文件怎么打开。如何打开呢？首先要打开ps，然后在中打开。然后打开，选择，并且需要把位置移动。选择好的地方以后。打开需要的文件夹，点击。选择文件-。导入素材后。想要导入的素材有什么区别？导入好素材后。还要进行切割。切割的方法有很多种，大家可以选择自己喜欢的方式来导入。切割好出来的方法：1、选择工具栏钢笔工具点击切割；2、在切割窗格中，选择对象(单个元素)→扩展外观；3、在切割窗格中，选择你喜欢的样式；4、打开图层，并拖动即可执行不同的 *** 作；5、执行图层样式后，图层面板就会显上，如下。

在参数梯度下降优化的过程中，学习率会有所调整，而调整的策略就通过 lr_policy 这个参数进行设置。
lr_policy可以设置为以下值，相应的学习率计算为：

参考博客

如果在Revit中无法成功导出IFC文件，可能是由于以下原因：

Revit版本不兼容：IFC格式的导出需要使用较新的版本的Revit。如果您使用的Revit版本比较旧，可能无法将模型导出为IFC格式。

模型中存在错误或警告：在进行IFC导出之前，最好先检查Revit模型中是否存在任何错误或警告信息。如果存在未解决的错误或警告，可能无法成功导出IFC文件。

IFC设置有误：如果IFC设置有误，也可能会导致无法成功导出IFC文件。例如，设置了不支持的IFC版本或启用了不正确的选项等。

针对以上可能的原因，建议您可以尝试以下解决方法：

更新Revit软件：更新Revit至最新版本可能有助于解决IFC导出问题。

修复错误和警告：在导出IFC文件之前，最好先修复模型中存在的任何错误或警告信息，以确保模型能够成功导出为IFC格式。

检查IFC设置：请确保已正确设置IFC选项，并选择正确的IFC版本。

重新安装IFC导出插件：如果仍然无法导出IFC文件，可以尝试重新安装Revit的IFC导出插件。

---