深度学习
文章平均质量分 79
sloanqin
互相交流,共同进步;方向正确,坚持不懈
展开
-
faster-rcnn 之 基于roidb get_minibatch(数据准备操作)
【说明】:欢迎加入:faster-rcnn 交流群 238138700,这个函数,输入是roidb,根据roidb中给出的图片的信息,读取图片的源文件,然后整理成blobs,供给网络训练使用;def get_minibatch(roidb, num_classes):这个函数会根据roidb中的信息,调用opencv读取图片,整理成blobs返回,所以这个函数是faster-rcnn实原创 2016-06-08 15:05:46 · 5808 阅读 · 1 评论 -
faster-rcnn 之训练数据是如何准备的:imdb和roidb的产生
关于imdb和roidb的生成都是在函数train_rpn的中,所以我们从这个函数开始,逐个跟进看如何执行得到我们需要的imdb和roidb:def train_rpn(queue=None, imdb_name=None, init_model=None, solver=None, max_iters=None, cfg=None): """Tra原创 2016-06-01 21:06:36 · 25018 阅读 · 19 评论 -
caffe的python接口封装原理与解析
【说明】:caffe提供了灵活的python的接口,那么这些接口是如何实现的,caffe是如何有效的把c++中的方法和类,让我们在python中可以灵活调用的;【c/c++扩展】:python中调用c/c++称为扩展,扩展的方法有很多;标准的方法是:通过样板来包装c/c++代码,这种是最原始的方式,具体的实现可以参考《python核心编程》--22章,看这章的好处就是可以理解封装的思路是怎原创 2016-06-03 13:49:51 · 7669 阅读 · 0 评论 -
faster-rcnn 之训练脚本解析:./tools/train_faster_rcnn_alt_opt.py
【说明】:分析faster-rcnn 训练的python脚本;#!/usr/bin/env python# --------------------------------------------------------# Faster R-CNN# Copyright (c) 2015 Microsoft# Licensed under The MI原创 2016-05-30 11:46:30 · 10460 阅读 · 6 评论 -
faster-rcnn 之 shell脚本开始训练:./experiments/scripts/faster_rcnn_alt_opt.sh 0 ZF pascal_voc
【说明】:这是作者提供的一个运行训练的脚本,我们来看看这个脚本做了什么工作,如果要运行需要输入哪些参数;【使用】:如果要训练一个网络,可以在shell中输入:./experiments/scripts/faster_rcnn_alt_opt.sh 0 ZF pascal_voc这样就指定了gpu编号,网络名称,数据集名称三个参数,就可以了#!/bin/bash# Usage:原创 2016-05-27 18:38:55 · 8409 阅读 · 7 评论 -
我收藏的链接,非常有用哦
1 知乎上面关于深度学习如何入门,上面提到了很多有用的学习资料。深度学习如何入门?原创 2015-10-27 07:58:49 · 1369 阅读 · 0 评论 -
caffe 练习2 用自己的数据集在ImageNet 测试------by 香蕉麦乐迪
这一节我们使用我们自己的数据集在ImageNet结构上面测试。我们的数据集是10个类别,每个类别有100个train图片,30个test图片。我们自己数据集图片的下载地址:我们跟着caffe官网的教程来,借助他们已经写好的脚本,对数据进行处理:caffe官网ImageNet例子1 首先是将训练集和数据集的图片放在指定的目录下面/path/to/imagenet/train/原创 2015-10-21 13:58:51 · 7682 阅读 · 16 评论 -
caffe 练习4 ----利用python批量抽取caffe计算得到的特征------by 香蕉麦乐迪
1 首先使用已经训练好的moduleFirst, import required modules, set plotting parameters, and run ./scripts/download_model_binary.py models/bvlc_reference_caffenet to get the pretrained CaffeNet model if it hasn原创 2015-10-26 00:02:34 · 3978 阅读 · 4 评论 -
ufldl 深度学习入门 第5发 线性解码器
这一节其实很简单,所谓线性解码器,就是将输出层的激活函数换成了线性函数,其他的没有变。输出层用线性函数替代sigmoid函数的目的是使输出不再受限在[0,1]范围内。数据集采用STL-10 彩色图像,但是是8×8的patches,不是原始的64×64图像。后面在卷积和池化中会用原始的64×64的STL-10图像作为输入。inputSize = 8×8×3 = 192; 3个原创 2015-10-10 20:53:59 · 1205 阅读 · 0 评论 -
caffe 练习3 用caffe提供的C++函数批量抽取图像特征------by 香蕉麦乐迪
用c++ python的接口抽取图像特征;c++中是调用已经写好的函数,在tools路径中,调用的命令如下:./build/tools/extract_features.bin models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel examples/_temp/imagenet_val.prototx原创 2015-10-25 23:24:12 · 3965 阅读 · 0 评论 -
ufldl 深度学习入门 第三发: 自我学习与无监督特征学习
目的:使用稀疏自编码器提取特征,使用softmax做分类器,实现手写字符识别分类。好处:相比较前面直接使用softmax分类器(92%识别率),能够提升分类器的效果,达到98%以上。体会:通过自学习提取特征,能够模仿人类的大脑完成特征的抽象提取。而且是自动提取过程,对于海量数据,将有非常大的优势。UFLDL学习链接:UFLDL,感谢吴恩达同学原创 2015-09-28 22:10:07 · 1488 阅读 · 0 评论 -
ufldl 深度学习入门 第一发:基于BP网络实现稀疏自编码器
目的:打算使用深度学习的方式实现人脸关键点的检测,第一步是要学习深度学习。深度学习的学习方法:第一步在ufldl上面学习深度学习的算法基础知识,然后找博客上基于python调用theano库实现人脸关键点检测的算法,看懂后基于C++实现,然后用java实现app,调用C++实现的算法。ufldl上的第一章是基于BP网络实现稀疏自编码器,在matlab上实现。首先matlab中涉及到的函原创 2015-09-07 13:36:11 · 1358 阅读 · 0 评论 -
caffe 练习1:training LeNet on MNIST with Caffe/ 用LeNet识别手写字符集 Mnist------by 香蕉麦乐迪
1 首先准备数据集cd $CAFFE_ROOT./data/mnist/get_mnist.sh //执行下载mnist数据集脚本./examples/mnist/create_mnist.sh //将下载的mnist数据集转换成lmdb格式的数据get_mnist.sh脚本文件如下: 1 #!/usr/bin/env sh 2 # This scripts downloads原创 2015-10-25 21:24:27 · 2368 阅读 · 0 评论 -
faster-rcnn 之 RPN网络的结构解析
【说明】:我想很多人在看faster-rcnn的时候,都会被RPN的网络结构和连接方式纠结,作者在文中说的不是很清晰,这里给出解析;【首先】:大家应该要了解卷积神经网络的连接方式,卷积核的维度,反向传播时是如何灵活的插入一层,这些要了解;这里我推荐一份资料,真是写的非常清晰,就是MatConvet的用户手册,这个框架底层借用的是caffe的算法,所以数据结构,原创 2016-05-31 15:03:36 · 91204 阅读 · 62 评论