合并BN层的python脚本

#!/usr/bin/env python
# -*- coding: UTF-8 -*-

## This tool is used to merge ‘Conv-BN-Scale‘ into a single ‘Conv‘ layer. 
## It is copied from https://github.com/sanghoon/pva-faster-rcnn/blob/master/tools/gen_merged_model.py

import numpy as np
import sys
import os
import os.path as osp
import google.protobuf as pb
import google.protobuf.text_format
from argparse import ArgumentParser
import caffe
#sys.path.append（“./python“）
#caffe_root = ‘E:/caffe-ssd/caffe-microsoft/Build/x64/Release/‘
#sys.path.insert（0 caffe_root + ‘pycaffe‘）


caffe.set_mode_cpu（）


def load_and_fill_biases（src_model src_weights dst_model dst_weights）:
    with open（src_model） as f:
        model = caffe.proto.caffe_pb2.NetParameter（）
        pb.text_format.Merge（f.read（） model）

    for i layer in enumerate（model.layer）:
        if layer.type == ‘Convolution‘: # or layer.type == ‘Scale‘:
            # Add bias layer if needed
            if layer.convolution_param.bias_term == False:
                layer.convolution_param.bias_term = True
                layer.convolution_param.bias_filler.type = ‘constant‘
                layer.convolution_param.bias_filler.value = 0.0

    with open（dst_model ‘w‘） as f:
        f.write（pb.text_format.MessageToString（model））

    caffe.set_mode_cpu（）
    net_src = caffe.Net（src_model src_weights caffe.TEST）
    net_dst = caffe.Net（dst_model caffe.TEST）
    for key in net_src.params.keys（）:
        for i in range（len（net_src.params[key]））:
            net_dst.params[key][i].data[:] = net_src.params[key][i].data[:]

    if dst_weights is not None:
        # Store params
        pass

    return net_dst


def merge_conv_and_bn（net i_conv i_bn i_scale）:
    # This is based on Kyeheyon‘s work
    assert（i_conv != None）
    assert（i_bn != None）

    def copy_double（data）:
        return np.array（data copy=True dtype=np.double）

    key_conv = net._layer_names[i_conv]
    key_bn = net._layer_names[i_bn]
    key_scale = net._layer_names[i_scale] if i_scale else None

    # Copy
    bn_mean = copy_double（net.params[key_bn][0].data）
    bn_variance = copy_double（net.params[key_bn][1].data）
    num_bn_samples = copy_double（net.params[key_bn][2].data）

    # and Invalidate the BN layer
    net.params[key_bn][0].data[:] = 0
    net.params[key_bn][1].data[:] = 1
    net.params[key_bn][2].data[:] = 1

    if num_bn_samples[0] == 0:
        num_bn_samples[0] = 1

    if net.params.has_key（key_scale）:
        print ‘Combine {:s} + {:s} + {:s}‘.format（key_conv key_bn key_scale）
        scale_weight = copy_double（net.params[key_scale][0].data）
        scale_bias = copy_double（net.params[key_scale][1].data）
        net.params[key_scale][0].data[:] = 1
        net.params[key_scale][1].data[:] = 0

    else:
        print ‘Combine {:s} + {:s}‘.format（key_conv key_bn）
        scale_weight = 1
        scale_bias = 0

    weight = copy_double（net.params[key_conv][0].data）
    bias = copy_double（net.params[key_conv][1].data）

    alpha = scale_w