opencv c++ caffe模型加载，自定义一个permute层

分手后的思念是犯贱 2021-11-05 04:28 591阅读 0赞

### 1、定义层结构 ###

因为不知道如果同名可不可以覆盖掉原来的层，所以我同名试试，证明可以覆盖

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0RpYW5hX1o_size_16_color_FFFFFF_t_70][]

第78行用于读取参数

83行用于创建整个层

87行是定义输出数据的结构

102层是层的具体方法，在基类Layer中是一个纯虚函数，一定要重定义

121层我也不知道干啥的，但是在基类Layer中是一个纯虚函数，一定要重定义

如果基类中的纯虚函数没有在派生类中全部被重新定义，那么派生类会是以一个抽象类，抽象类不能实例化。

![20190808112839651.png][]

129行是后面的CV\_DNN\_REGISTER\_LAYER\_CLASS的头文件，没有的话，会报错

134行是对新层permute的声明，没有的话，层就不会在编译的时候被加载

### 2、参数输入 ###

![20190808115114439.png][]![20190808115124545.png][]

原来的层参数都叫order，但是这样，我不知道怎么读取，所以就干脆写成了四个参数

然后读出来就是这样的

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0RpYW5hX1o_size_16_color_FFFFFF_t_70 1][]

![2019080817243098.png][]

发现，输入的参数可以少于目标的四个，就是需要几个输入几个，然后红色的框子里面的就是没有输入的情况下的默认值，也是最小值，就是如果你输入参数是-1之类的，他就直接给你改成0了。

### 3、输出数据格式 ###

![20190808115643760.png][]

在这个函数里面定义，输入参数不理解可以参考这个链接[https://blog.csdn.net/Diana\_Z/article/details/98613363][https_blog.csdn.net_Diana_Z_article_details_98613363]

在写这个过程的时候遇到一个坑

开始打算使用-1作为空白维度的标识，但是调试的时候发现，-1会自动变成1，没有输入也会自动变成1

然后尝试将正常维度里面的1使用10来代替，-1或者没有输入变成了0

最后干脆将正常维度从10开始，正常维度0参数10，正常维度1参数11，类推

上面这个问题找到参数位置了，在参数读取部分

遇到第二个坑，

我重写这个参数的目的根源是想要让lstm可以读3维甚至二维的矩阵，当前我的矩阵没有设置卷积，数据直接就lstm层。

然后，我发现blob的数据读取自动就是B\*C\*H\*W的

所以这里我需要的可能不是重写一个permute层，而是重写一个降维层。

不过在降维层之前，因为2维3维的转置总是有的，所以还是有用的吧。

static cv::Ptr<cv::dnn::Layer> create(cv::dnn::LayerParams& params)
    	{
    		return cv::Ptr<cv::dnn::Layer>(new PermuteLayer(params));
    	}
    	virtual bool getMemoryShapes(const std::vector<std::vector<int> > &inputs,
    		const int requiredOutputs,
    		std::vector<std::vector<int> > &outputs,
    		std::vector<std::vector<int> > &internals) const CV_OVERRIDE
    	{
    		CV_UNUSED(requiredOutputs); CV_UNUSED(internals);
    		cout << "start PermuteLayer getMemoryShapes" << endl;
            //将四个输入放入数组
    		std::vector<int> order(4);
    		order[0] = order1;
    		order[1] = order2;
    		order[2] = order3;
    		order[3] = order4;
    		
            //第一次循环，计算维度，恢复维度下标
    		int dim = 0;
    		for (int i = 0; i < 4; i++) {
    			if (order[i] <10) {
    				break;
    			}
    			else {
    				dim++;
    				order[i] = order[i] % 10;
    			}
    		}
    
            //第二次循环，将input的size都放在数组里面去
    		std::vector<int> newShape;
    		for (int i = 0; i < dim; i++) {
    			newShape.push_back(inputs[0][i]);
    		}
    
            //第三次循环，将input中的数字按照order的顺序放入output
    		std::vector<int> outShape; 
    		for (int i = 0; i < dim; i++) {
    			outShape.push_back(newShape[order[i]]);
    		}
    		outputs.assign(1, outShape);
    		return false;
    	}

### 4、计算过程 ###

virtual void forward(std::vector<cv::Mat*> &inputs, std::vector<cv::Mat> &outputs, std::vector<cv::Mat> &internals) CV_OVERRIDE
    	{
    		CV_UNUSED(internals);
    		cout << "start PermuteLayer forward1" << endl;
    		cv::Mat& inp = *inputs[0];
    		cv::Mat& out = outputs[0];
    
    		if (order3 == -1) {
    			vector<int> sq(2);
    			int H = inp.size[0];
    			int W = inp.size[1];
    			for (int i = 0; i < H; i++) {
    				sq.push_back(i);
    				for (int j = 0; j < W; j++) {
    					sq.push_back(j);
    					cout << sq[order1] << "  " << sq[order2] << endl;
    					out.at<float>[sq[order1]][sq[order2]] = inp.at<float>[i][j];
    					sq.pop_back();
    				}
    				sq.pop_back();
    			}
    		}
    
    		if (order4 == -1) {
    			vector<int> sq(2);
    			int H = inp.size[0];
    			int W = inp.size[1];
    			int C = inp.size[2];
    			for (int k = 0; k < C; k++) {
    				sq.push_back(k);
    				for (int i = 0; i < H; i++) {
    					sq.push_back(i);
    					for (int j = 0; j < W; j++) {
    						sq.push_back(j);
    						out.at<float>[sq[order1]][sq[order2]][sq[order3]] = inp.at<float>[k][i][j];
    						sq.pop_back();
    					}
    					sq.pop_back();
    				}
    				sq.pop_back();
    			}
    		}
    		if (order4 > 0) {
    			vector<int> sq(2);
    			int H = inp.size[0];
    			int W = inp.size[1];
    			int C = inp.size[2];
    			int B = inp.size[3];
    			for (int l = 0; l < B; l++) {
    				sq.push_back(l);
    				for (int k = 0; k < C; k++) {
    					sq.push_back(k);
    					for (int i = 0; i < H; i++) {
    						sq.push_back(i);
    						for (int j = 0; j < W; j++) {
    							sq.push_back(j);
    							out.at<float>[sq[order1]][sq[order2]][sq[order3]][sq[order4]] = inp.at<float>[l][k][i][j];
    							sq.pop_back();
    						}
    						sq.pop_back();
    					}
    					sq.pop_back();
    				}
    				sq.pop_back();
    			}
    		}
    	}

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0RpYW5hX1o_size_16_color_FFFFFF_t_70]: /images/20211104/2368d3ceeb4c40789bc98dea7f493026.png
[20190808112839651.png]: /images/20211104/a78a70ab06f1402594e4fb8ba307d168.png
[20190808115114439.png]: https://img-blog.csdnimg.cn/20190808115114439.png
[20190808115124545.png]: /images/20211104/37975dbaf6c54a96b72a3c4ab1479478.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0RpYW5hX1o_size_16_color_FFFFFF_t_70 1]: /images/20211104/34a17424ccd64364a46bc04b5368419f.png
[2019080817243098.png]: /images/20211104/2da6e9b93fd5486794184fe562b18683.png
[20190808115643760.png]: /images/20211104/52e32bb15bb5405ab168ea18877a07ae.png
[https_blog.csdn.net_Diana_Z_article_details_98613363]: https://blog.csdn.net/Diana_Z/article/details/98613363