- 博客(8)
- 资源 (7)
- 收藏
- 关注
转载 python 在不同层级目录import 模块的方法
http://www.cnitblog.com/seeyeah/archive/2009/03/15/55440.html python包含子目录中的模块方法比较简单,关键是能够在sys.path里面找到通向模块文件的路径。 下面将具体介绍几种常用情况: (1)主程序与模块程序在同一目录下: 如下面程序结构: `-- src |-- mod1.py `-- t
2016-03-09 16:37:49 199
转载 Deep learning:Stochastic Pooling简单理解
CNN中卷积完后有个步骤叫pooling, 在ICLR2013上,作者Zeiler提出了另一种pooling手段(最常见的就是mean-pooling和max-pooling),叫stochastic pooling,在他的文章还给出了效果稍差点的probability weighted pooling方法。 stochastic pooling方法非常简单,只需对feature map
2016-01-12 10:13:04 381
原创 caffe 网络weight和feature的可视化
上一篇写到了caffe的训练和测试,准确率很高,下面看看每一层的weight和feature: 利用python进行结果的可视化。 输入测试图片: 显示出各层的参数和形状,第一个是批次,第二个feature map数目,第三和第四是每个神经元中图片的长和宽,可以看出,输入是227*227的图片,三个chanel,卷积是32个卷积核卷三个频道,因此有96个feature
2015-12-24 18:26:27 463
caffe 网络weight和feature的可视化
上一篇写到了caffe的训练和测试,准确率很高,下面看看每一层的weight和feature: 利用python进行结果的可视化。 输入测试图片: 显示出各层的参数和形状,第一个是批次,第二个feature map数目,第三和第四是每个神经元中图片的长和宽,可以看出,输入是227*227的图片,三个chanel,卷积是32个卷积核卷三个频道,因此有96个feature
2015-12-24 18:15:24 214
原创 caffe net的训练与测试
用进行一次train 和validation 1. 生成数据,每一行写图片的文件名,和类别标志(实验时2类:0,1) 生成结果如下: 对validate image 进行同样的处理。 2. 生成levelDB或者lmdb文件。 bin\convert_imageset.exe examples/Car/TrainImages/ examp
2015-12-24 18:02:38 248
原创 caffe中lmdb和leveldb文件的生成convert_imageset
在编译成功后的 ./build/tools/目录下(windows下面是caffe-windows\bin)有一个convert_imageset或者convert_imageset.sh,这个工具就是用来将自己的图片数据转换为Caffe所需要的数据格式。 打开看看,里面有一段: GLOG_logtostderr=1 $TOOLS/convert_imageset \ -
2015-12-24 15:09:35 636
转载 深度学习caffe的代码怎么读?
深度学习caffe的代码怎么读? 转自:http://www.zhihu.com/question/27982282 Caffe的代码结构是什么样的?从代码结构上来看,Caffe在实现Deep Learning上有什么优点和缺点? 我是从Torch7转移到Caffe的人,仅供参考,当你阅读前你应该具备一些有关DL的基础知识,本文集中
2015-12-24 14:37:09 198
转载 Caffe 初识,揭开面纱
原文地址http://www.cnblogs.com/dupuleng/articles/4242906.html 这一段时间把caffe官网上的例子跑了一下,对caffe有了一个大概的了解。如果你想对caffe有个比较清晰的了解,建议认真阅读官网上的资料,尤其在caffe资料极少的情况下,这种方法是最有效的途径,可以让你少走许多弯路,不要上来就在网上随便找个教程配置环境,上来就想跑例子。。
2015-12-03 14:57:52 259
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
2016-02-01
fast rcnn .pdf
2016-02-01
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人