CNN実装のあるパス

chainer/links/model/vision/*.py
GoogLeNet, VGG16Layers, ResNetLayers, ResNet[50,101,152]Layersを定義
chainer.Chainを継承
__call__(self, x, layers=['prob'])を実装 (入力xからラベル名layersの出力を返す)
examples/imagenet/*.py
AlexNet, AlexFp16, GoogLeNet, GoogLeNetBN, GoogLeNetBNFp16, NIN, ResNet50, ResNeXt50 クラスを実装
chainer.Chainを継承
__call__(self, x, t)を実装 (入力x, 出力tから損失を返す)
examples/modelzoo/download_model.py
AlexNet, CaffeNet, GoogLeNet, ResNetのCaffeの学習済みパラメタ・モデル定義をダウンロードするスクリプト
__call__(self, inputs, outputs)を実装 (入力{"data":x},{"ラベル名":t}から出力を返す)
モデル定義はCaffeの定義に準拠

examples/imagenet/models/*.py
AlexNet, GoogLeNet, GoogLeNetBN, NIN, ResNet50 クラスを実装 (Chainerのexamples/imagenet/*.pyとほぼ同一)
GoogLeNetBNはinc4c,inc4dの出力数がChainerのものと異なる (それぞれ160→128, 96→64)
AlexFp16, GoogLeNetBNFp16, ResNeXt50 は定義されていない
ResNet50では畳み込みのグループ数が指定できなくなっている

まとめ

リポジトリ	パス	Forward計算	AlexNet	GoogLeNet	ResNet
Chainer	`chainer/links/model/vision/*.py`	`__call__(self, x)`		✔	✔
〃	`examples/imagenet/*.py`	`__call__(self, x, t)`	✔	✔	✔
〃	`examples/modelzoo/download_model.py`	`__call__(self, inputs, outputs)`	✔	✔	✔
ChainerMN	`examples/imagenet/models/*.py`	`__call__(self, x, t)`	✔	✔	✔
ChainerBM¹	`benchmarks/convnet/nets/*.py`	`forward(self, x)`	✔	✔
Convenet	`chainer/*.py`	`forward(self, x)`	✔	✔

リポジトリ	conv1,2のグループ数	畳み込み層フィルタ数	正規化層	入力サイズ	16 bitモデル
Chainer (`imagenet`)	1	96,256,384,384,256	LRN	227	✔
Chainer (`modelzoo`)²	2	96,256,384,384,256	LRN	227
ChainerMN	1	96,256,384,384,256	LRN	227
ChainerBM	1	64,192,384,256,256		224
Convenet	1	64,192,384,256,256		224

ONNXあたりでこういった記述が1つに統一できればいいですね (各FWの設計思想の違いで結局煩雑な変換処理が必要になりそう……)。

Chainer Benchmarkの略 ↩
Caffeのmodels/bvlc_alexnet/train_val.prototxtとprotoc --decode_raw < bvlc_alexnet.caffemodelから判断 ↩