Caffe_stu03_小训练

最新推荐文章于 2024-07-08 16:21:27 发布
最新推荐文章于 2024-07-08 16:21:27 发布
阅读量272 收藏
点赞数
分类专栏： 深度学习 linux 文章标签： 深度学习 caffe
原文链接：https://blog.csdn.net/sst___/article/details/79847697
版权

参考：https://blog.csdn.net/sst___/article/details/79847697

获得数据集

使用官方的数据集 mnist

在caffe文件夹下 执行./data/mnist/get_mnist.sh

或者编写以下shell文件

#!/usr/bin/env sh
# This scripts downloads the mnist data and unzips it.

DIR="$( cd "$(dirname "$0")" ; pwd -P )"
cd "$DIR"

echo "Downloading..."

for fname in train-images-idx3-ubyte train-labels-idx1-ubyte t10k-images-idx3-ubyte t10k-labels-idx1-ubyte
do
    if [ ! -e $fname ]; then
        wget --no-check-certificate http://yann.lecun.com/exdb/mnist/${fname}.gz
        gunzip ${fname}.gz
    fi
done

执行得到数据集

image-20200618161929250

使用自己的数据集

这里我借用的是别人的数据集 百度网盘
下载之后只保留train和val即可，因为我们后面用这两个文件来自己生成train.txt和val.txt.
在caffe/examples文件夹下新建一个myfile_tostudy 文件夹 放入data文件
image-20200618171706147

如果没有 caffe文件夹 那么可以随便建立一个文件夹用来放数据（只是需要更改后续各个文件的路径）。
这里我因为之前不知道直接安装了caffe后各种bulid/tools 已经自动写入到了Linux的PATH里面去了

所以我git clone了 caffe的源码文件
git clone https://github.com/BVLC/caffe.git
未进行编译，因为后面做着做着发现 所需要的tools都可以直接从命令行使用（下载caffe时自动写入了PATH）

1. 数据格式处理

生成txt文件

在myfile_tostudy下建立一个shell 文件。我的命名为create_filelist.sh

目的是根据所下载的百度网盘里面的图片的进行分类（百度网盘中的文件内容根据文件名进行了分类）

#!/usr/bin/env sh
DATA=examples/myfile_tostudy/data    #数据来源的路径 
MY=examples/myfile_tostudy/data      #生成的txt文件存储位置
 
echo "Create train.txt..."
rm -rf $MY/train.txt          #先把文件中原有的同名文件删除
# find $DATA/train -name 15001*.jpg 是在文件加下找到所有前几位名为15001的图片
# cut -d '/' -f4-5   是以'/'为分界符，找到第四至五段的内容截取下来
# sed "s/$/ 0/"     在截取的文件名后面加一个空格和一个标签0
# MY/train.txt    存储到train.txt中
find $DATA/train -name 15001*.jpg | cut -d '/' -f4-5 | sed "s/$/ 0/">>$MY/train.txt    
find $DATA/train -name 15059*.jpg | cut -d '/' -f4-5 | sed "s/$/ 1/">>$MY/train.txt
find $DATA/train -name 62047*.jpg | cut -d '/' -f4-5 | sed "s/$/ 2/">>$MY/train.txt
find $DATA/train -name 68021*.jpg | cut -d '/' -f4-5 | sed "s/$/ 3/">>$MY/train.txt
find $DATA/train -name 73018*.jpg | cut -d '/' -f4-5 | sed "s/$/ 4/">>$MY/train.txt
find $DATA/train -name 73063*.jpg | cut -d '/' -f4-5 | sed "s/$/ 5/">>$MY/train.txt
find $DATA/train -name 80012*.jpg | cut -d '/' -f4-5 | sed "s/$/ 6/">>$MY/train.txt
find $DATA/train -name 92002*.jpg | cut -d '/' -f4-5 | sed "s/$/ 7/">>$MY/train.txt
find $DATA/train -name 92017*.jpg | cut -d '/' -f4-5 | sed "s/$/ 8/">>$MY/train.txt
find $DATA/train -name 95005*.jpg | cut -d '/' -f4-5 | sed "s/$/ 9/">>$MY/train.txt
  
echo "Create test.txt..."
rm -rf $MY/val.txt
 
find $DATA/val -name 15001*.jpg | cut -d '/' -f4-5 | sed "s/$/ 0/">>$MY/val.txt
find $DATA/val -name 15059*.jpg | cut -d '/' -f4-5 | sed "s/$/ 1/">>$MY/val.txt
find $DATA/val -name 62047*.jpg | cut -d '/' -f4-5 | sed "s/$/ 2/">>$MY/val.txt
find $DATA/val -name 68021*.jpg | cut -d '/' -f4-5 | sed "s/$/ 3/">>$MY/val.txt
find $DATA/val -name 73018*.jpg | cut -d '/' -f4-5 | sed "s/$/ 4/">>$MY/val.txt
find $DATA/val -name 73063*.jpg | cut -d '/' -f4-5 | sed "s/$/ 5/">>$MY/val.txt
find $DATA/val -name 80012*.jpg | cut -d '/' -f4-5 | sed "s/$/ 6/">>$MY/val.txt
find $DATA/val -name 92002*.jpg | cut -d '/' -f4-5 | sed "s/$/ 7/">>$MY/val.txt
find $DATA/val -name 92017*.jpg | cut -d '/' -f4-5 | sed "s/$/ 8/">>$MY/val.txt
find $DATA/val -name 95005*.jpg | cut -d '/' -f4-5 | sed "s/$/ 9/">>$MY/val.txt
 
echo "All done"

执行该文件，注意在caffe文件夹下面执行 ，因为前面DATA变量 使用的路径是caffe下的相对路径 examples/myfile_tostudy/data
如果执行不了，给该文件添加执行权限
chmod a+x examples/myfile_tostudy/create_filelist.sh

执行之后就会得到 train.txt 和 val.txt
image-20200618172454076

转化为db文件

接着把.txt文件转换成caffe能识别的db文件。还是在myfile_tostudy下建立该文件，文件名为create_lmdb.sh。内容如下：

#!/usr/bin/env sh
# lmdb文件存储的位置
MY=examples/myfile_tostudy
 
TRAIN_DATA_ROOT=/home/hzq/Caffe_stu_dir/caffe/examples/myfile_tostudy/data/
VAL_DATA_ROOT=/home/hzq/Caffe_stu_dir/caffe/examples/myfile_tostudy/data/
 
echo "Create train lmdb.."
rm -rf $MY/img_train_lmdb
# 这句是利用caffe自带的图片处理工具对图片进行处理
# 这里因为我未对caffe源码进行编译，所以不存在build/tools/ 目录，直接使用即可（安装时自动写入了PATH）
# convert_imageset命令行使用格式 convert_imageset [FLAGS] ROOTFOLDER/ LISTFILE DB_NAME     
# FLAGS是处理的参数，像图片的大小，随机抽取还是怎么样。
# ROOTFOLDER是图片存放的绝对目录。
# LISTFILE是文件列表清单。
# DB_NAME是生成的文件存放的位置。
convert_imageset \
--resize_height=32 \
--resize_width=32 \
--shuffle \
$TRAIN_DATA_ROOT \
$MY/data/train.txt \
$MY/img_train_lmdb
 
echo "Create test lmdb.."
rm -rf $MY/img_val_lmdb
convert_imageset \
--resize_height=32 \
--resize_width=32 \
--shuffle \
$VAL_DATA_ROOT \
$MY/data/val.txt \
$MY/img_val_lmdb  
 
echo "All Done.."

同理，执行该文件
如果不能执行使用 chmod a+x增加执行权限

执行之后myfile_tostudy文件夹下生成img_val_lmdb和img_train_lmdb文件,
里面就是我们想要的caffe能识别的db文件

计算均值

计算均值的原因是保证所有特征都在0附近

在大多数情况下，我们并不关心所输入图像的整体明亮程度

比如对象识别任务中，图像的整体明亮程度，并不会影响图像中存在的是什么物体，我们对图像的平均亮度感兴趣，所以可以减去这个值来进行均值规整化。

创建的文件名为，create_meanfile.sh 代码如下：

EXAMPLE=examples/myfile_tostudy
DATA=examples/myfile_tostudy/

# compute_image_mean 是caffe自带的工具，
# 如果没加入到PATH里面需要自己编译caffe源码，然后使用build/tools/compute_image_mean 调用
# $EXAMPLE/img_train_lmdb要处理的文件的位置，$DATA/mean1.binaryproto文件的存储位置
compute_image_mean $EXAMPLE/img_train_lmdb $DATA/mean1.binaryproto
 
echo "Done."

2.构建网络

在myfile_tostudy 下建立一个.prototxt文件，来搭建网络。文件名为：myfile_tostudy_train_test.prototxt 构建的网络内容如下：

数据层及其参数 参考

1、数据来自于数据库（如LevelDB和LMDB）
name: 表示该层的名称，可随意取

type: 层类型，如果是Data，表示数据来源于LevelDB或LMDB。根据数据的来源不同，数据层的类型也不同（后面会详细阐述）。一般在练习的时候，我们都是采 用的LevelDB或LMDB数据，因此层类型设置为Data。

top或bottom: 每一层用bottom来输入数据，用top来输出数据。如果只有top没有bottom，则此层只有输出，没有输入。反之亦然。如果有多个 top或多个bottom，表示有多个blobs数据的输入和输出。

data 与 label: 在数据层中，至少有一个命名为data的top。如果有第二个top，一般命名为label。 这种(data,label)配对是分类模型所必需的。

include: 一般训练的时候和测试的时候，模型的层是不一样的。该层（layer）是属于训练阶段的层，还是属于测试阶段的层，需要用include来指定。如果没有include参数，则表示该层既在训练模型中，又在测试模型中。

Transformations: 数据的预处理，可以将数据变换到定义的范围内。如设置scale为0.00390625，实际上就是1/255, 即将输入数据由0-255归一化到0-1之间

name: "myfile_tostudy"
# 定义网络结构
layer {
  name: "data" 							# 网络层的名字
  type: "Data"							# 网络层类型，数据层
  top: "data"							# 这一层产生两个blob输出 一个是数据
  top: "label"							# 一个是标签
  include {
    phase: TRAIN						# TRAIN:=用于训练,TEST:=用于测试
  }
  # caffe中transform_param有四个选项：scale，mean，mirror，crop_size
  # 执行顺序是mean(file)、mean(value)、crop、mirror、scale
  transform_param{
  mean_file:"examples/myfile_tostudy/mean1.binaryproto"     # 用一个配置文件来进行均值操作
 }
  data_param {
    source: "examples/myfile_tostudy/img_train_lmdb"		# 包含数据库的目录名称
    batch_size: 50										 # 每次处理的数据个数
    backend: LMDB										 # 指定数据库格式，LMDB/LevelDB
  }
}
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param{
  mean_file:"examples/myfile_tostudy/mean1.binaryproto"
 }
  data_param {
    source: "examples/myfile_tostudy/img_val_lmdb"
    batch_size: 50
    backend: LMDB
  }
}
layer {
  name: "conv1"										
  type: "Convolution"							# 卷积层
  bottom: "data"								# 上一层的输出作为输入
  top: "conv1"									# 输出
  param {
    lr_mult: 1		#卷积层参数w的学习率
  }
  param {			#卷积层参数b的学习率
    lr_mult: 2
  }
  convolution_param {
    num_output: 32								# 卷积层输出的feature map数量 
    pad:2									    # 卷积层的填充大小
    kernel_size: 5								# 卷积层的大小
    stride: 1								    # 进行卷积的步长
    weight_filler {								# 参数w的初始话策略
      type:"gaussian"
      std:0.0001
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "pool1"
  type: "Pooling"								# 池化层，即下采样层
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX									# 最大值池化，还有AVE均值池化
    kernel_size: 3
    stride: 2
  }
}
layer {
   name:"relu1"
   type:"ReLU"									# 激活函数层
   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
    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 {
   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 {
  name: "ip1"
  type: "InnerProduct"						# 全连接层
  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 {
  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 {
  name:"accuracy"
  type:"Accuracy"
  bottom:"ip2"
  bottom:"label"
  top:"accuracy"
  include {
  phase:TEST
  }
}
layer {
  name: "loss"
  type: "SoftmaxWithLoss"						# 损失函数层
  bottom: "ip2"
  bottom: "label"
 
}

3. 编写网络求解文件

也是建立一个.prototxt文件。文件名为myfile_tostudy_solver.prototxt，

solver这个文件主要存放模型训练所用到的一些超参数：

  • net := 指定待训练模型结构文件，即train_val.prototxt
  • test_interval :=
  • test_initialization := 指定是否进行初始测试，即模型未进行训练时的测试
  • test_iteration := 指定测试时进行的迭代次数
  • base_lr :=
  • lr_policy := 学习率变更策略，这里有介绍，可供参考
  • gamma := 学习率变更策略需要用到的参数
  • power := 同上
  • stepsize := 学习率变更策略Step的变更步长（固定步长）
  • stepvalue := 学习率变更策略Multistep的变更步长（可变步长）
  • max_iter :=
  • momentum := 动量，这是优化策略（Adam, SGD, … ）用到的参数
  • momentum2 := 优化策略Adam用到的参数
  • weight_decay := 权重衰减率
  • clip_gradients := 固定梯度范围
  • display := 每隔几次迭代显示一次结果
  • snapshot := 快照，每隔几次保存一次模型参数
  • snapshot_prefix := 保存模型文件的前缀，可以是路径
  • solver_mode :=

用户根据自己的情况进行相应设置，黑体参数为必须指定的，其余参数为可选（根据情况选择)

内容如下：

# 选择网络结构文件
net: "examples/myfile_tostudy/myfile_tostudy_train_test.prototxt"

test_iter: 2					# 在测试的时候，需要迭代的次数
test_interval: 50				# 测试间隔，即每隔多少次迭代进行一次测试
base_lr: 0.001					# 指定基本学习率
lr_policy: "step"				 # 学习率变更策略
gamma: 0.1						# 学习率变更策略需要用到的参数
stepsize:400					# 学习率变更策略Step的变更步长（固定步长）
momentum:0.9					# 动量，这是优化策略（Adam, SGD, … ）用到的参数
weight_decay:0.004				 # 权重衰减率
display:10						# 每隔几次迭代显示一次结果
max_iter: 2000					# 模型训练的最大迭代次数
snapshot: 2000					# 快照，每隔几次保存一次模型参数
snapshot_prefix: "examples/myfile_tostudy" # 保存模型文件的前缀，可以是路径
solver_mode: CPU				# 指定训练模式，即GPU/CPU

4.训练

执行 caffe train -solver examples/myfile_tostudy/myfile_tostudy_solver.prototxt

image-20200618182847715

耐心等待之后
image-20200618182928817

5.测试

​

将以下两种图片放入imgs文件夹 用来测试模型

更名为: test_xiangzi01

更名为：test_xiezi01

建立deploy.prototex文件

在 myfile_tostudy文件夹新增文件deploy.prototxt

name: "myfile4"
layer {
  name: "data"
  type: "Input"
  top: "data"
  input_param{shape:{dim:1 dim:3 dim:32 dim:32}}
  
}

layer {
  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
  }
}
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 {
  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
    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"
  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"
}
建立 synset.txt

在myfile_tostudy文件夹中新建文件synset_work.txt,内容如下：

biao
fajia
kuzi
xiangzi
yizi
dianshi
suannai
xiangshui
hufupin
xiezi

在myfile_tostudy文件夹下新建demo.sh。内容如下:

classification examples/myfile_tostudy/deploy.prototxt examples/myfile_tostudy_iter_2000.caffemodel examples/myfile_tostudy/mean1.binaryproto examples/myfile_tostudy/synset_work.txt examples/myfile_tostudy/imgs/111.jpg

上述要注意各个路径、文件的命名
否则会报错

运行结果如下
image-20200618214014936

稀奇古怪de
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
win10下安装caffe
yk1677672352的博客
11-03 541
环境：64位的win10系统，没有NVIDIA的独显，VS2013. 1、安装anaconda2 官网下载地址：https://www.anaconda.com/download/ 2017年11月3号下载的安装包的百度云链接：https://pan.baidu.com/s/1cfM4qU 一路下一步直到安装完毕，然后再检查一下系统环境变量Path里面有没有以下三项： C:\Users\
【CV+DL学习路03】CNN可视化学习3——Visual Explanations from Deep Networks via Gradient-based Localization
stu_sun的博客
06-08 1257
这是我可视化学习的第三篇文章。Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization     ICCV 2017参考的阅读笔记如下：阅读笔记1、介绍这篇论文主要是提出了一种Grad-CAM技术对神经网络进行解释。Grad-CAM是对周等人于2016年提出的CAM技术的推广，该方法不需要对网络架...
Caffe_stu01_理论准备
ICMPARP的博客
06-21 246
Caffe 简介 Caffe最开始设计时的目标只针对于图像，没有考虑文本、语音或者时间序列的数据，因此Caffe对卷积神经网络的支持非常好，但是对于时间序列RNN，LSTM等支持的不是特别充分。Caffe工程的models文件夹中常用的网络模型比较多，比如Lenet、AlexNet、ZFNet、VGGNet、GoogleNet、ResNet等。 模块结构 Caffe由低到高依次把 网络中的数据抽象成Blob Blob 四维连续数组，通常表示为（n, k, w, h）是基础的数据结构，可表示输入输出
【深度学习】【caffe】【python】【docker】微信 二维码检测，手写数字识别
q742971636的博客
07-19 667
httpshttpswhycaffecaffe不用懂程序都能写出模型。httpshttpshttpshttpshttps。
win10下安装caffe新得
weixin_38208741的博客
08-08 848
1、经过matcaffe编译生成的caffe_.mexw64的路径在D:\Software\Caffe\caffe-master\Build\x64\Release\matcaffe\+caffe\private；
win10+caffe-master + VS2013 + Matlab2016a 快速配置+matlab调试
stu_why的博客
11-12 5124
stu_why博客地址：http://blog.csdn.net/zpp1994第一步在github上下载Microsoft为Windows用户提供的Caffe for Windows分支，下载链接：https://github.com/microsoft/caffe。下载后解压到你要安装的目录，本人安装目录为E:\Caffe。然后复制W
（caffe的安装配置过程以及问题总结）ubuntu14.04 +cuda7.5＋opencv＋matlab＋各种依赖库
LDC1314?
07-18 1625
Stay hungry,Stay foolish .   对于caffe，不同的电脑出现的问题不一样，如果出现问题就慢慢解决吧。本文将整个的安装配置过程进行了总结。 一、安装前的准备工作 １）首先需要查看自己的电脑是否支持GPU，输入： $ lspci | grep -i nvidia 查看GPU型号， 在https://developer.nvidia.com/cuda-gpus进行...
可视化输出caffe模型权重（weights）和偏执(baise)
wonengguwozai的博客
01-12 3033
人脸识别任务中，做蒸馏训练小网络时，发现测试蒸馏后的网络的千分点frr、万分点frr都是0,说明对于所有输入，网络的输出相同了。因此需要可视化caffemodel的权重确认是否模型失效（推测模型权重接近0）。  需要明确的： Caffe主要处理两种形式的数据流：  1. 第一种数据流，图像和标签在网络上的传输，随着网络的传输，它们转化更高层次的表示，最终以得分或者概率值的形式输出。  2. 第二...
【CANN训练营第三季】学习ascend-CANN遇到的经典疑难问题总结
kewei chen
01-08 1140
找到该python环境对应地pip位置，一般是xxx/bin/pip，然后使用xxx/bin/pip install package ，或者将该指令软连接到pip，这样再使用pip install package，就可以了。最后发现居然不知道是自己好久手抽，导致把transferPic.py的代码给改错了，现在终于对了。找到该python环境地位置，如/home/ls/nanconda3/bin/python ，使用。仔细检查下面两个语句是否为directory。原因：该用户环境下的有关环境变量设置错误。
caffe_pb2.py
09-24
caffe_pb2文件，在出现TypeError: expected bytes, str found问题的时候可以考虑用来替换caffe_root/python/caffe/proto/caffe_pb2.py文件
caffe-201701.zip_caffe_caffe linux_分类_机器视觉
09-24
标题 "caffe-201701.zip_caffe_caffe_linux_分类_机器视觉" 提供的信息表明，这个压缩包包含的是2017年1月版本的Caffe框架，一个专门为Linux平台设计的深度学习库，用于图像分类和机器视觉任务。Caffe是由Berkeley ...
caffe_win_exe.rar
09-09
在该目录下，你将找到如“caffe.exe”这样的程序，它可以直接加载和执行预先配置好的Caffe网络模型，进行训练或者预测。为了充分利用GPU加速，你需要确保系统已经安装了合适的CUDA驱动和CUDA工具包。 2. **CPU_bin*...
caffe_ilsvrc12.zip
03-02
理解并应用Caffe框架和ILSVRC2012预训练模型，可以帮助开发者快速搭建和优化深度学习系统，尤其是在图像分类任务上。开发者可以使用这些资源进行模型的二次开发，如调整网络结构、改变超参数、添加新的层，以适应...
caffe_goturn模型以及描述文件.zip
08-04
2. **预训练权重**：.caffemodel文件，保存了模型在大量数据上训练得到的权重和偏置。 3. **描述文档**：可能是Markdown或PDF格式，详细解释模型的使用方法、性能、训练过程等。 4. **示例代码**：可能包括Python或...
动手学深度学习（Pytorch版）代码实践 -循环神经网络-55循环神经网络的从零开始实现和简洁实现
李思成的博客
07-06 566
【代码】动手学深度学习（Pytorch版）代码实践 -循环神经网络-54~55循环神经网络的从零开始实现和简洁实现。
深度学习中的超参数及超参数搜索算法
最新发布
qlkaicx的博客
07-08 251
在深度学习中，超参数（Hyperparameters）是指在训练模型时需要预先设置的参数，它们不会在训练过程中自动更新，而是通过手动调整来优化模型的性能。超参数的设置对模型的训练效果有着至关重要的影响。
第16周：LSTM-火灾温度预测
weixin_46620278的博客
07-05 885
🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/0dvHCaOoFnW8SCp3JpzKxg) 中的学习记录博客🍖 原作者：[K同学啊](https://mtyjkh.blog.csdn.net/)说在前面本周目标：对时序数据进行预测，了解LSTM是什么，并使用其构建一个完整的程序，并使最后的决定系数R^2达到0.83；拔高目标——使用第1~8个时刻的数据预测第9~10个时刻的温度数据。
Towards Deep Learning Models Resistant to Adversarial Attacks
一季南凉的博客
07-06 221
探讨了当前对抗攻击防御研究中的挑战，如计算开销、对抗样本的多样性和防御方法的泛化能力等。并提出了未来研究的方向，如开发更高效的防御算法、提升模型的可解释性和透明性等。：重点讨论了几种防御对抗攻击的方法，包括对抗训练、梯度掩蔽和模型集成等。总的来说，这篇论文综述了当前深度学习模型在面对对抗攻击时的脆弱性，并介绍了不同的防御策略及其效果，为未来开发更鲁棒的深度学习模型提供了理论基础和实践指导。：介绍了评估模型对抗攻击鲁棒性的方法和标准，如准确率曲线、失效率和对抗容忍度等。这篇论文的主要内容是关于。
caffe_ristretto
07-22
Caffe Ristretto是一个基于Caffe深度学习框架的库，用于模型量化和压缩。它通过减少模型的精度来实现模型的压缩，从而减少存储需求和计算开销。 Caffe Ristretto支持多种量化方法，包括固定点量化和浮点量化。固定...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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