Caffe部署中的几个train-test-solver-prototxt-deploy等说明<三>

最新推荐文章于 2022-11-08 14:05:51 发布
最新推荐文章于 2022-11-08 14:05:51 发布
阅读量744 收藏
点赞数
文章标签： 神经网络

转载地址：http://blog.csdn.net/lg1259156776/article/details/52550865

1:神经网络中，我们通过最小化神经网络来训练网络，所以在训练时最后一层是损失函数层（LOSS），

在测试时我们通过准确率来评价该网络的优劣，因此最后一层是准确率层（ACCURACY）。

但是当我们真正要使用训练好的数据时，我们需要的是网络给我们输入结果，对于分类问题，我们需要获得分类结果，如下右图最后一层我们得到

的是概率，我们不需要训练及测试阶段的LOSS，ACCURACY层了。

下图是能过$CAFFE_ROOT/Python/draw_net.py绘制$CAFFE_ROOT/models/caffe_reference_caffnet/train_val.prototxt   , $CAFFE_ROOT/models/caffe_reference_caffnet/deploy.prototxt，分别代表训练时与最后使用时的网络结构。

我们一般将train与test放在同一个.prototxt中，需要在data层输入数据的source，

而在使用时.prototxt只需要定义输入图片的大小通道数据参数即可，如下图所示，分别是

$CAFFE_ROOT/models/caffe_reference_caffnet/train_val.prototxt   , $CAFFE_ROOT/models/caffe_reference_caffnet/deploy.prototxt的data层

训练时, solver.prototxt中使用的是rain_val.prototxt

1
./build/tools/caffe/train -solver ./models/bvlc_reference_caffenet/solver.prototxt

使用上面训练的网络提取特征，使用的网络模型是deploy.prototxt

1
./build/tools/extract_features.bin models/bvlc_refrence_caffenet.caffemodel models/bvlc_refrence_caffenet/deploy.prototxt

     。。

2：

（1）介绍 *_train_test.prototxt文件与 *_deploy.prototxt文件的不http://blog.csdn.NET/sunshine_in_moon/article/details/49472901   

（2）生成deploy文件的Python代码：http://www.cnblogs.com/denny402/p/5685818.html      

*_train_test.prototxt文件：这是训练与测试网络配置文件

*_deploy.prototxt文件：这是模型构造文件

在博文http://www.cnblogs.com/denny402/p/5685818.html     中给出了生成 deploy.prototxt文件的Python源代码，但是每个网络不同，修改起来比较麻烦，下面给出该博文中以mnist为例生成deploy文件的源代码，可根据自己网络的设置做出相应修改：（下方代码未测试）

[python] view plain copy print ? 在CODE上查看代码片 派生到我的代码片
  1. # -*- coding: utf-8 -*- 
  2.  
  3. from caffe import layers as L,params as P,to_proto 
  4. root='/home/xxx/' 
  5. deploy=root+'mnist/deploy.prototxt'    #文件保存路径 
  6.  
  7. def create_deploy(): 
  8.     #少了第一层，data层 
  9.     conv1=L.Convolution(bottom='data', kernel_size=5, stride=1,num_output=20, pad=0,weight_filler=dict(type='xavier')) 
  10.     pool1=L.Pooling(conv1, pool=P.Pooling.MAX, kernel_size=2, stride=2) 
  11.     conv2=L.Convolution(pool1, kernel_size=5, stride=1,num_output=50, pad=0,weight_filler=dict(type='xavier')) 
  12.     pool2=L.Pooling(conv2, pool=P.Pooling.MAX, kernel_size=2, stride=2) 
  13.     fc3=L.InnerProduct(pool2, num_output=500,weight_filler=dict(type='xavier')) 
  14.     relu3=L.ReLU(fc3, in_place=True) 
  15.     fc4 = L.InnerProduct(relu3, num_output=10,weight_filler=dict(type='xavier')) 
  16.     #最后没有accuracy层，但有一个Softmax层 
  17.     prob=L.Softmax(fc4) 
  18.     return to_proto(prob) 
  19. def write_deploy():  
  20.     with open(deploy, 'w') as f: 
  21.         f.write('name:"Lenet"\n') 
  22.         f.write('input:"data"\n') 
  23.         f.write('input_dim:1\n') 
  24.         f.write('input_dim:3\n') 
  25.         f.write('input_dim:28\n') 
  26.         f.write('input_dim:28\n') 
  27.         f.write(str(create_deploy())) 
  28. if __name__ == '__main__': 
  29.     write_deploy()  
# -*- coding: utf-8 -*-

from caffe import layers as L,params as P,to_proto
root='/home/xxx/'
deploy=root+'mnist/deploy.prototxt'    #文件保存路径

def create_deploy():
    #少了第一层，data层
    conv1=L.Convolution(bottom='data', kernel_size=5, stride=1,num_output=20, pad=0,weight_filler=dict(type='xavier'))
    pool1=L.Pooling(conv1, pool=P.Pooling.MAX, kernel_size=2, stride=2)
    conv2=L.Convolution(pool1, kernel_size=5, stride=1,num_output=50, pad=0,weight_filler=dict(type='xavier'))
    pool2=L.Pooling(conv2, pool=P.Pooling.MAX, kernel_size=2, stride=2)
    fc3=L.InnerProduct(pool2, num_output=500,weight_filler=dict(type='xavier'))
    relu3=L.ReLU(fc3, in_place=True)
    fc4 = L.InnerProduct(relu3, num_output=10,weight_filler=dict(type='xavier'))
    #最后没有accuracy层，但有一个Softmax层
    prob=L.Softmax(fc4)
    return to_proto(prob)
def write_deploy(): 
    with open(deploy, 'w') as f:
        f.write('name:"Lenet"\n')
        f.write('input:"data"\n')
        f.write('input_dim:1\n')
        f.write('input_dim:3\n')
        f.write('input_dim:28\n')
        f.write('input_dim:28\n')
        f.write(str(create_deploy()))
if __name__ == '__main__':
    write_deploy()

用代码生成deploy文件还是比较麻烦。我们在构建深度学习网络时，肯定会先定义好训练与测试网络的配置文件——*_train_test.prototxt文件，我们可以通过修改*_train_test.prototxt文件 来生成 deploy 文件。以cifar10为例先简单介绍一下两者的区别。

（1）deploy 文件中的数据层更为简单，即将*_train_test.prototxt文件中的输入训练数据lmdb与输入测试数据lmdb这两层删除，取而代之的是，

  1. layer { 
  2.   name: "data" 
  3.   type: "Input" 
  4.   top: "data" 
  5.   input_param { shape: { dim: 1 dim: 3 dim: 32 dim: 32 } } 
  6. }
注：shape: { dim: 1 dim: 3 dim: 32 dim: 32 }代表含义： 
shape {
  dim: 1  #num，可自行定义
  dim: 3  #通道数，表示RGB三个通道
  dim: 32   #图像的长和宽，通过 *_train_test.prototxt文件中数据输入层的crop_size获取
  dim: 32

（2）卷积层和全连接层中weight_filler{}与bias_filler{}两个参数不用再填写，因为这两个参数的值，由已经训练好的模型*.caffemodel文件提供。如下所示代码，将*_train_test.prototxt文件中的weight_filler、bias_filler全部删除。

layer {  # weight_filler、bias_filler删除 

name: "ip2" 

type: "InnerProduct" 

bottom: "ip1"   top: "ip2" 

param {   

lr_mult: 1   #权重w的学习率倍数 

} 

param {     lr_mult: 2    #偏置b的学习率倍数 

} 

inner_product_param {     num_output: 10   

weight_filler {       type: "gaussian"       std: 0.1     }   

bias_filler {       type: "constant"     } 

}

}

删除后变为

  1. layer {                              
  2.   name: "ip2" 
  3.   type: "InnerProduct" 
  4.   bottom: "ip1" 
  5.   top: "ip2" 
  6.   param { 
  7.     lr_mult: 1 
  8.   } 
  9.   param { 
  10.     lr_mult: 2 
  11.   } 
  12.   inner_product_param { 
  13.     num_output: 10 
  14.   } 
  15. } 
（3）输出层的变化 
     1）没有了test模块测试精度 ，将该层删除    
     2）输出层
1）*_deploy.prototxt文件的构造和*_train_test.prototxt文件的构造最为明显的不同点是，deploy文件没有test网络中的test模块，只有训练模块，即将*_train_test.prototxt中最后部分的test模块测试精度删除，即将如下代码删除。
  1. layer {                                  #删除该层 
  2.   name: "accuracy" 
  3.   type: "Accuracy" 
  4.   bottom: "ip2" 
  5.   bottom: "label" 
  6.   top: "accuracy" 
  7.   include { 
  8.     phase: TEST 
  9.   } 
  10. } 

2） 输出层

*_train_test.prototxt文件

  1. layer{ 
  2.   name: "loss"   #注意此处层名称与下面的不同 
  3.   type: "SoftmaxWithLoss"  #注意此处与下面的不同 
  4.   bottom: "ip2" 
  5.   bottom: "label"    #注意标签项在下面没有了，因为下面的预测属于哪个标签，因此不能提供标签 
  6.   top: "loss" 
  7. } 
*_deploy.prototxt文件
[python]
  1. layer { 
  2.   name: "prob" 
  3.   type: "Softmax" 
  4.   bottom: "ip2" 
  5.   top: "prob" 
  6. } 

注意在两个文件中输出层的类型都发生了变化一个是SoftmaxWithLoss，另一个是Softmax。另外为了方便区分训练与应用输出，训练是输出时是loss，应用时是prob。

下面给出CIFAR10中的配置文件cifar10_quick_train_test.prototxt与其模型构造文件  cifar10_quick.prototxt 直观展示两者的区别。

cifar10_quick_train_test.prototxt文件代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
cifar10_quick_train_test.prototxt文件代码
name: "CIFAR10_quick"
layer {               #该层去掉
  name: "cifar"
   type: "Data"
   top: "data"
   top: "label"
   include {
     phase: TRAIN
   }
   transform_param {
     mean_file: "examples/cifar10/mean.binaryproto"
   }
   data_param {
     source: "examples/cifar10/cifar10_train_lmdb"
     batch_size: 100
     backend: LMDB
   }
}
layer {             #该层去掉
  name: "cifar"
   type: "Data"
   top: "data"
   top: "label"
   include {
     phase: TEST
   }
   transform_param {
     mean_file: "examples/cifar10/mean.binaryproto"
   }
   data_param {
     source: "examples/cifar10/cifar10_test_lmdb"
     batch_size: 100
     backend: LMDB
   }
}
layer {                        #将下方的weight_filler、bias_filler全部删除
  name: "conv1"
   type: "Convolution"
   bottom: "data"
   top: "conv1"
   param {
     lr_mult: 1
   }
   param {
     lr_mult: 2
   }
   convolution_param {
     num_output: 32
     pad: 2
     kernel_size: 5
     stride: 1
     weight_filler {
       type: "gaussian"
       std: 0.0001
     }
     bias_filler {
       type: "constant"
     }
   }
}
layer {
   name: "pool1"
   type: "Pooling"
   bottom: "conv1"
   top: "pool1"
   pooling_param {
     pool: MAX
     kernel_size: 3
     stride: 2
   }
}
layer {
   name: "relu1"
   type: "ReLU"
   bottom: "pool1"
   top: "pool1"
}
layer {                         #weight_filler、bias_filler删除
  name: "conv2"
   type: "Convolution"
   bottom: "pool1"
   top: "conv2"
   param {
     lr_mult: 1
   }
   param {
     lr_mult: 2
   }
   convolution_param {
     num_output: 32
     pad: 2
     kernel_size: 5
     stride: 1
     weight_filler {
       type: "gaussian"
       std: 0.01
     }
     bias_filler {
       type: "constant"
     }
   }
}
layer {
   name: "relu2"
   type: "ReLU"
   bottom: "conv2"
   top: "conv2"
}
layer {
   name: "pool2"
   type: "Pooling"
   bottom: "conv2"
   top: "pool2"
   pooling_param {
     pool: AVE
     kernel_size: 3
     stride: 2
   }
}
layer {                         #weight_filler、bias_filler删除
  name: "conv3"
   type: "Convolution"
   bottom: "pool2"
   top: "conv3"
   param {
     lr_mult: 1
   }
   param {
     lr_mult: 2
   }
   convolution_param {
     num_output: 64
     pad: 2
     kernel_size: 5
     stride: 1
     weight_filler {
       type: "gaussian"
       std: 0.01
     }
     bias_filler {
       type: "constant"
     }
   }
}
layer {
   name: "relu3"
   type: "ReLU"
   bottom: "conv3"
   top: "conv3"
}
layer {
   name: "pool3"
   type: "Pooling"
   bottom: "conv3"
   top: "pool3"
   pooling_param {
     pool: AVE
     kernel_size: 3
     stride: 2
   }
}
layer {                       #weight_filler、bias_filler删除
  name: "ip1"
   type: "InnerProduct"
   bottom: "pool3"
   top: "ip1"
   param {
     lr_mult: 1
   }
   param {
     lr_mult: 2
   }
   inner_product_param {
     num_output: 64
     weight_filler {
       type: "gaussian"
       std: 0.1
     }
     bias_filler {
       type: "constant"
     }
   }
}
layer {                              # weight_filler、bias_filler删除
  name: "ip2"
   type: "InnerProduct"
   bottom: "ip1"
   top: "ip2"
   param {
     lr_mult: 1
   }
   param {
     lr_mult: 2
   }
   inner_product_param {
     num_output: 10
     weight_filler {
       type: "gaussian"
       std: 0.1
     }
     bias_filler {
       type: "constant"
     }
   }
}
layer {                                  #将该层删除
  name: "accuracy"
   type: "Accuracy"
   bottom: "ip2"
   bottom: "label"
   top: "accuracy"
   include {
     phase: TEST
   }
}
layer {                                 #修改
  name: "loss"       #---loss  修改为  prob
   type: "SoftmaxWithLoss"             # SoftmaxWithLoss 修改为 softmax
   bottom: "ip2"
   bottom: "label"          #去掉
  top: "loss"
}
以下为cifar10_quick.prototxt
layer {               #将两个输入层修改为该层
  name: "data"
   type: "Input"
   top: "data"
   input_param { shape: { dim: 1 dim: 3 dim: 32 dim: 32 } }      #注意shape中变量值的修改，CIFAR10中的 *_train_test.protxt文件中没有 crop_size
}
layer {
   name: "conv1"
   type: "Convolution"
   bottom: "data"
   top: "conv1"
   param {
     lr_mult: 1   #权重W的学习率倍数
}
   param {
     lr_mult: 2   #偏置b的学习率倍数
  }
   convolution_param {
     num_output: 32
     pad: 2   #加边为2
    kernel_size: 5
     stride: 1
   }
}
layer {
   name: "pool1"
   type: "Pooling"
   bottom: "conv1"
   top: "pool1"
   pooling_param {
     pool: MAX    #Max Pooling
    kernel_size: 3
     stride: 2
   }
}
layer {
   name: "relu1"
   type: "ReLU"
   bottom: "pool1"
   top: "pool1"
}
layer {
   name: "conv2"
   type: "Convolution"
   bottom: "pool1"
   top: "conv2"
   param {
     lr_mult: 1
   }
   param {
     lr_mult: 2
   }
   convolution_param {
     num_output: 32
     pad: 2
     kernel_size: 5
     stride: 1
   }
}
layer {
   name: "relu2"
   type: "ReLU"
   bottom: "conv2"
   top: "conv2"
}
layer {
   name: "pool2"
   type: "Pooling"
   bottom: "conv2"
   top: "pool2"
   pooling_param {
     pool: AVE   #均值池化
    kernel_size: 3
     stride: 2
   }
}
layer {
   name: "conv3"
   type: "Convolution"
   bottom: "pool2"
   top: "conv3"
   param {
     lr_mult: 1
   }
   param {
     lr_mult: 2
   }
   convolution_param {
     num_output: 64
     pad: 2
     kernel_size: 5
     stride: 1
   }
}
layer {
   name: "relu3"
   type: "ReLU"  #使用ReLU激励函数，这里需要注意的是，本层的bottom和top都是conv3>
   bottom: "conv3"
   top: "conv3"
}
layer {
   name: "pool3"
   type: "Pooling"
   bottom: "conv3"
   top: "pool3"
   pooling_param {
     pool: AVE
kernel_size: 3
     stride: 2
   }
}
layer {
   name: "ip1"
   type: "InnerProduct"
   bottom: "pool3"
   top: "ip1"
   param {
     lr_mult: 1
   }
   param {
     lr_mult: 2
   }
   inner_product_param {
     num_output: 64
   }
}
layer {
   name: "ip2"
   type: "InnerProduct"
   bottom: "ip1"
   top: "ip2"
   param {
     lr_mult: 1
   }
   param {
     lr_mult: 2
   }
   inner_product_param {
     num_output: 10
   }
}
layer {
   name: "prob"
   type: "Softmax"
   bottom: "ip2"
   top: "prob"
}

3：

将train_val.prototxt 转换成deploy.prototxt

1.删除输入数据（如：type:data...inckude{phase: TRAIN}），然后添加一个数据维度描述。

  1. input: "data"  
  2. input_dim: 1  
  3. input_dim: 3  
  4. input_dim: 224  
  5. input_dim: 224 
  6. force_backward: true 
[plain] view plain copy print ? 在CODE上查看代码片 派生到我的代码片
  1. 2.移除最后的<span style="line-height: 24px; color: rgb(68, 68, 68); font-family: "Open Sans", Helvetica, Arial, sans-serif; font-size: 14px;">“loss” 和“accuracy” 层，加入“prob”层。</span>  
2.移除最后的<span style="line-height: 24px; color: rgb(68, 68, 68); font-family: "Open Sans", Helvetica, Arial, sans-serif; font-size: 14px;">“loss” 和“accuracy” 层，加入“prob”层。</span>

[plain]

  1. layers { 
  2.   name: "prob" 
  3.   type: SOFTMAX 
  4.   bottom: "fc8" 
  5.   top: "prob" 
  6. } 
[plain] view plain copy print ? 在CODE上查看代码片 派生到我的代码片
  1. 如果train_val文件中还有其他的预处理层，就稍微复杂点。如下，在'data'层，在‘data’层和‘conv1’层<span style="line-height: 24px; color: rgb(68, 68, 68); font-family: "Open Sans", Helvetica, Arial, sans-serif; font-size: 14px;">(with <span style="margin: 0px; padding: 0px; border: 0px currentcolor; vertical-align: baseline;">bottom:”data”  / top:”conv1″). 插入一个层来计算输入数据的均值。</span></span>  
如果train_val文件中还有其他的预处理层，就稍微复杂点。如下，在'data'层，在‘data’层和‘conv1’层<span style="line-height: 24px; color: rgb(68, 68, 68); font-family: "Open Sans", Helvetica, Arial, sans-serif; font-size: 14px;">(with <span style="margin: 0px; padding: 0px; border: 0px currentcolor; vertical-align: baseline;">bottom:”data”  / top:”conv1″). 插入一个层来计算输入数据的均值。</span></span>
  1. layer { 
  2. name: “mean” 
  3. type: “Convolution” 
  4. <strong>bottom: “data” 
  5. top: “data”</strong> 
  6. param { 
  7. lr_mult: 0 
  8. decay_mult: 0 
  9. } 
  10.  
  11. …} 
[plain] view plain copy print ? 在CODE上查看代码片 派生到我的代码片
  1. <span style="line-height: 1.5; margin: 0px; padding: 0px; border: 0px currentcolor; vertical-align: baseline;">在deploy.prototxt文件中，“mean” 层必须保留，只是容器改变，相应的‘conv1’也要改变<span style="line-height: 24px; color: rgb(68, 68, 68); font-family: "Open Sans", Helvetica, Arial, sans-serif; font-size: 14px;"> ( <span style="margin: 0px; padding: 0px; border: 0px currentcolor; vertical-align: baseline;"><span style="line-height: 1.5; margin: 0px; padding: 0px; border: 0px currentcolor; vertical-align: baseline;">bottom:”mean”/ <span style="line-height: 24px; margin: 0px; padding: 0px; border: 0px currentcolor; vertical-align: baseline;">top:”conv1″ )。</span></span></span></span></span>  
<span style="line-height: 1.5; margin: 0px; padding: 0px; border: 0px currentcolor; vertical-align: baseline;">在deploy.prototxt文件中，“mean” 层必须保留，只是容器改变，相应的‘conv1’也要改变<span style="line-height: 24px; color: rgb(68, 68, 68); font-family: "Open Sans", Helvetica, Arial, sans-serif; font-size: 14px;"> ( <span style="margin: 0px; padding: 0px; border: 0px currentcolor; vertical-align: baseline;"><span style="line-height: 1.5; margin: 0px; padding: 0px; border: 0px currentcolor; vertical-align: baseline;">bottom:”mean”/ <span style="line-height: 24px; margin: 0px; padding: 0px; border: 0px currentcolor; vertical-align: baseline;">top:”conv1″ )。</span></span></span></span></span>

[plain]

  1. layer { 
  2. name: “mean” 
  3. type: “Convolution” 
  4. <strong>bottom: “data” 
  5. top: “mean“</strong> 
  6. param { 
  7. lr_mult: 0 
  8. decay_mult: 0 
  9. } 
  10.  
  11. …} 

4：

生成deploy文件

如果要把训练好的模型拿来测试新的图片，那必须得要一个deploy.prototxt文件，这个文件实际上和test.prototxt文件差不多，只是头尾不相同而也。deploy文件没有第一层数据输入层，也没有最后的Accuracy层，但最后多了一个Softmax概率层。

这里我们采用代码的方式来自动生成该文件，以mnist为例。

deploy.py

复制代码 
# -*- coding: utf-8 -*-

from caffe import layers as L,params as P,to_proto
root=‘/home/xxx/‘ deploy=root+‘mnist/deploy.prototxt‘ #文件保存路径 def create_deploy(): #少了第一层，data层 conv1=L.Convolution(bottom=‘data‘, kernel_size=5, stride=1,num_output=20, pad=0,weight_filler=dict(type=‘xavier‘)) pool1=L.Pooling(conv1, pool=P.Pooling.MAX, kernel_size=2, stride=2) conv2=L.Convolution(pool1, kernel_size=5, stride=1,num_output=50, pad=0,weight_filler=dict(type=‘xavier‘)) pool2=L.Pooling(conv2, pool=P.Pooling.MAX, kernel_size=2, stride=2) fc3=L.InnerProduct(pool2, num_output=500,weight_filler=dict(type=‘xavier‘)) relu3=L.ReLU(fc3, in_place=True) fc4 = L.InnerProduct(relu3, num_output=10,weight_filler=dict(type=‘xavier‘)) #最后没有accuracy层，但有一个Softmax层 prob=L.Softmax(fc4) return to_proto(prob) def write_deploy(): with open(deploy, ‘w‘) as f: f.write(‘name:"Lenet"\n‘) f.write(‘input:"data"\n‘) f.write(‘input_dim:1\n‘) f.write(‘input_dim:3\n‘) f.write(‘input_dim:28\n‘) f.write(‘input_dim:28\n‘) f.write(str(create_deploy())) if __name__ == ‘__main__‘: write_deploy()
复制代码

运行该文件后，会在mnist目录下，生成一个deploy.prototxt文件。

这个文件不推荐用代码来生成，反而麻烦。大家熟悉以后可以将test.prototxt复制一份，修改相应的地方就可以了，更加方便。

Aben0732
关注
pose_deploy.prototxt
02-27
手势识别中所用到的proto file，用于基于OpenCV实现对手势的识别。 具体代码可参考：https://cchang.blog.csdn.net/article/details/87979328
*_train_test.prototxt,*_deploy.prototxt,*_slover.prototxt文件编写时注意事项
Sunshine_in_Moon的专栏
10-28 9685
本文只是自己学习一天的总结，如有不对的地方，欢迎指正！ 欢迎大家转载，但请标明出处，谢谢！ 1、*_train_test.prototxt文件 这是训练与测试网络配置文件 （1）在数据层中 参数include{                                  phase：TRAIN/TEST                              } TRAIN与
4.caffe：train_val.prototxt、 solver.prototxt 、 deploy.prototxt（ 创建模型与编写配置文件）...
weixin_30578677的博客
08-17 208
一，train_val.prototxt name: "CIFAR10_quick" layer { name: "cifar" type: "Data" top: "data" top: "label" include { phase: TRAIN } transform_param { # mirror: true ...
tx2 opense
m0_37598942的博客
11-03 368
下载代码 [openpose.git] git clone https://github.com/CMU-Perceptual-Computing-Lab/openpose 1 Compile & Install Caffe cd openpose/3rdparty git clone https://github.com/CMU-Perceptual-Computing-Lab/caffe.git caffe ./install_caffe_JetsonTX2_JetPack3.3.
openpose1.40运行，以json保存
Green_Tao的博客
03-04 5401
使用openpose处理图片并以json保存 运行openpose 官网上给出的实例是通过命令行来调用程序处理图片本文以命令行运行openposedemo 打开相关路径 注意：这里会有报错，显示没有调用\models\pose\body_25\pose_deploy.prototxt 这里遇到了路径问题， 报错的下面给出了解决的办法 可能的原因: 1：没有下载OpenPose训练过的模型。 2...
L-softmax.zip
12-20
文件"mnist_train_test.prototxt"是Caffe的网络配置文件，它定义了模型的结构和训练与测试阶段的数据输入方式。"mnist_deploy.prototxt"则是用于部署模型的文件，它描述了模型在预测阶段的结构。"mnist_solver....
caffe-master.zip
08-27
5. **测试与部署**: 训练完成后，使用`test.sh`进行验证，生成部署模型`deploy.prototxt`和权重文件，以便在实际应用中使用。 ### 扩展与优化 - **Caffe的GPU支持**: Caffe 支持NVIDIA CUDA进行GPU加速，通过cuDNN...
深度学习caffe–手写字体识别例程（八）—— 求解器描述文件lenet_solver.prototxt详解
01-07
在上面的两篇文章中，我们讲述了lenet-5网络模型，有了模型，我们还需要有求解器，才能够对模型进行训练和测试，求解器描述文件是对求解器参数进行描述的文件，文件名为lenet_solver.prototxt，它位于caffe根目录的...
caffe-multilabel:笔记
07-09
3. **模型训练**: 使用`train_val.prototxt`文件定义训练集和验证集，`solver.prototxt`文件指定训练策略（如学习率、优化器等），然后通过`caffe train`命令启动训练过程。 4. **模型测试**: 完成训练后，可以使用...
tsne的matlab代码-hyperspectral_exp_orz:hyperspectral_exp_orz
05-25
validate_param：验证deploy和train_test原型网络的参数是否相同。 mnist 使用caffe的python API尝试mnist数据集，以获得正确的结果。 load_mnist_data：将mnist数据转换为可见形式。 myload_mnist_data：更改一些...
pose_iter_116000.rar
09-18
openpose1.5.1（2019年）中训练好的脸部数据。openpose中的批处理文件下载速度极慢，且容易中断。下载后将此文件解压放在openpose根目录下的\models\face文件夹中。
在Jetson Xavier NX上运行openpose
沉梦昂志
01-13 2762
毕设需要在Jetson nx上跑openpose。花了前后一周时间，爬尽所有坑，吐血整理 1、试过像在服务器一样配置openpose，结果一运行就killed。 2、试过重装cuda和cudnn，以为是版本的问题，结果把板子搞崩了 最后看到一位博主 小乖的晴天的文章，才踏入正轨。 准备阶段 查看NX相关组件 NX配有cuda10、Cudnn8和opencv4。这些版本是可以运行openpose的，不需要必须适配官方的版本 下载源码 github链接 下完发现有个问题，里面3rdparty的caffe和pyb
TX2 运行 OpenPose
_提拉米苏的博客
06-12 3177
下载代码 [openpose.git] git clone https://github.com/CMU-Perceptual-Computing-Lab/openpose Compile & Install Caffe cd openpose/3rdparty git clone https://github.com/CMU-Perceptual-Computing-Lab/caffe...
ModuleNotFoundError: No module named ‘pyopenpose‘
最新发布
qq_41491230的博客
11-08 3039
openpose 在python中调用报错：No module named 'pyopenpose'
OpenPose Python API调用：ImportError: cannot import name 'pyopenpose' from 'openpose'
热门推荐
dongkaiwen48的博客
11-19 1万+
OpenPose Python API 调用方法 cmake-gui选项中勾选BUILD_PYTHON选项 cd build sudo make -j‘’ sudo make install cd ~/your_openpose_dir/examples/tutorial_api_python python3 01_body_from_image.py 可能出现的错误 Error: Open...
3D视觉——2.人体姿态估计(Pose Estimation)入门——OpenPose含安装、编译、使用（单帧、实时视频）
对方正在输入中...
07-01 7750
本章博客就是对OpenPose工具包进行开发；我呕心沥血（笑哭），经历重重困难，想放弃了很多次（因为openpose的编译实在是太麻烦了）但是后来还是成功了，各位点个赞吧！这个真的太麻烦了。按照单帧图像和实时视频的顺序述写，其中单帧是使用的Pytorch编程只是调用OpenPose的模型；实时视频中使用Python调用OpenPose的包，所以必须得安装OpenPose，并对其进行编译，最后再使用。首先从github上，下载CMU提供的源码下来：https://github.com/CMU-Perceptu
【OpenPose学习-1】在Clion中部署项目
安壑的耕地
09-29 609
目录一、克隆OpenPose二、导入到clion中1. 根据文档搭建好必要的环境2.搭建环境出现的Bug 一、克隆OpenPose GitHub地址：https://github.com/CMU-Perceptual-Computing-Lab/openpose.git 二、导入到clion中 clion会完成相关的工具的下载，但是也会有各种失败的情况，此时需要通过原项目中的文档解决。 1. 根据文档搭建好必要的环境 首先要阅读的是doc目录下的installation.md，针对不同的系统，文档中都给出了
基于pycaffe从零开始写mnist（第三篇）——生成deploy.prototxt，做最后的验证
mdjxy63的博客
07-29 1330
deploy.prototxt和之前的train.prototxt文件内容差不多，因此可以不需要用代码进行生成，直接将不一样的地方进行修改即可 下面是用代码生成的deploy.prototxt # -*- coding: utf-8 -*- __author__ = 'xuy' import caffe def creat_deploy(): net = caffe.NetS
caffe中train_val.prototxt文件和deploy.prototxt文件区别和转换--caffe学习（14）
Camaro的专栏
01-10 7549
先放出二者的完整例子文件，然后分析： train_val.prototxt文件如下：name: "CaffeNet" layer { name: "data" type: "Data" top: "data" top: "label" include { phase: TRAIN } transform_param { mirror: true crop_size: 227 mean_file:
Caffe框架深度解析与LeNet-5实战教程
资源摘要信息:"《深度学习Caffe框架实战剖析教程》是一份专注于深度学习领域实践的教程，它深入探讨了如何使用Caffe这一流行的深度学习框架。本教程适合那些对深度学习有兴趣并且希望了解如何在实践中应用深度学习的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值