Caffe_stu03_小训练

最新推荐文章于 2024-06-29 10:42:47 发布
最新推荐文章于 2024-06-29 10:42:47 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 1255
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
07-19 664
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
08-08 847
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 5122
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 3030
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 1137
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...
LSTM时间序列基础学习
weixin_52297290的博客
06-27 520
时间序列可以是一维，二维，三维甚至更高维度的数据，在深度学习的世界中常见的是三维时间序列，这三个维度分别是（batch_size,time_step,input_dimensions）。其中time_step是时间步，它是时间序列中的序列长度(seqence_length)。时间序列是一种序列数据。序列数据是样本与样本之间有着特定的逻辑联系的数据，序列数据通常按照样本与样本之间的逻辑顺序排列，且这种顺序不能被轻易修改和打乱的数据。
超越边界：探索深度学习的泛化力量
qq_42538588的博客
06-26 1086
深度学习是一种基于人工神经网络的机器学习范例，其核心思想是通过模拟人脑神经元之间的连接，实现对复杂数据的学习和预测。深度学习的最大特点是可以通过大规模数据训练出具有强大泛化能力的模型。深度学习在图像识别、语音识别、自然语言处理等领域取得了巨大的成功。泛化能力是指机器学习模型对于新样本的适应能力，也就是说模型在训练过程中没有见过的数据上的表现能力。泛化能力好的模型可以很好地适应新数据，而不会过度拟合训练数据，这是评价一个模型优劣的重要标准。
深度学习常见的算法结构
weixin_46863529的博客
06-27 365
RNN通过引入循环连接，使得当前时刻的隐藏状态不仅依赖于前一时刻的输入，还依赖于之前时刻的隐藏状态，从而捕捉到了序列中的长期依赖关系。长短期记忆网络（LSTM）和门控循环单元（GRU）是对RNN的改进，以解决梯度消失和爆炸问题。生成对抗网络（GAN）：GAN由一个生成器和一个判别器组成，用于生成与训练数据分布相似的新样本。两者相互博弈，最终生成器可以生成高度逼真的合成数据，常用于图像生成、视频生成和数据增强等领域。卷积神经网络（CNN）：CNN主要用于处理具有网格结构的数据，如图像和视频。
PyTorch Tensor进阶操作指南（二）：深度学习中的关键技巧
最新发布
fengbeely的博客
06-29 890
有python编程基础的朋友应该都看过下面这个例子：b=ab[1]=10a由上面的例子中我们不难看出来，python列表中将一个已经存在的列表（a）赋给另一个列表（b）得出列表（b）是和原列表（）共用一块内存的，共用即说明这两个列表无论是修改哪一个的元素值，另一个也会随着变化，就比如上面的列表a,b，改变b的值a也会变，同样改变a，b也变，大家可以之行测试一下。
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