基于深度学习的图像匹配技术专题- [patch based matching3]-mnist siamese 学习

我们想要复盘 matchNet的实验，可能需要从 mnist siamese example 入手。

note: 这种网络是 共享权重的，使用对比的loss function.

1.数据准备。

./data/mnist/get_mnist.sh
./examples/siamese/create_mnist_siamese.sh

打开creat_mnist_siamese文件

#!/usr/bin/env sh
# This script converts the mnist data into leveldb format.
set -e

EXAMPLES=./build/examples/siamese
DATA=./data/mnist

echo "Creating leveldb..."

rm -rf ./examples/siamese/mnist_siamese_train_leveldb   //删除trian 和 test数据集。
rm -rf ./examples/siamese/mnist_siamese_test_leveldb

$EXAMPLES/convert_mnist_siamese_data.bin \
    $DATA/train-images-idx3-ubyte \
    $DATA/train-labels-idx1-ubyte \
    ./examples/siamese/mnist_siamese_train_leveldb
$EXAMPLES/convert_mnist_siamese_data.bin \
    $DATA/t10k-images-idx3-ubyte \
    $DATA/t10k-labels-idx1-ubyte \
    ./examples/siamese/mnist_siamese_test_leveldb

echo "Done."

———————————————————————————网络模型——————————————————————————————————

2.修改Lenet网络模型

网络模型在这个文件中，./examples/siamese/mnist_siamese.prototxt. 

这个模型是：输入-卷积层/pooling+卷积层/pooling+ Innerproduct /Relu+ Innerproduct+Innerproduct-输出 (就是常说的全连接层)

可以看到第二个 inner product， “feature”层输出两维数组 (这就是模型改变的地方)。

layer {
  name: "feat"
  type: "InnerProduct"
  bottom: "ip2"
  top: "feat"
  param {
    name: "feat_w"
    lr_mult: 1
  }
  param {
    name: "feat_b"
    lr_mult: 2
  }
  inner_product_param {
    num_output: 2
  }
}

3.建立siameses 网络

首先，我们要完成文件mn