1983的专栏

写在前面：Caffe 中有众多的网络层，最新版本的代码已经涵盖了很多种类型的网络层，然而，有时候由于各种原因，其给定的网络层不能满足我们的要求，这时候就要对其更改，以使其满足自己的需求，感谢作者开源代码以及众多的代码维护者。由于Caffe 中的网络层都是直接或者间接地给予Layer 基类，所以，在我们需要添加新的类型时，就需要选择好自己的基类，以使我们能够更好的利用基类已有的一些方法。我们新建的类可

Caffe 多目标输出

最近实验室要把一部分方向装为sh

源文章：https://github.com/BVLC/caffe/tree/master/examples/imagenet由于要使用

Caffe中的损失函数解析

引言为什么要用docker， 熟悉docker 其实已经很久了，自从实习的时候觉得它是一个利器以来一直没有机会使用它，这几天在折腾caffe环境中，觉得是时候用上Docker了。需求：构建一个独立的容器，里面安装了caffe 的所有依赖，在需要跑代码的时候，直接运行它。优点：可以解决各种依赖问题，比如这个软件需要安装gcc 4.7 ，而另外一个需要安装gcc 4.8 等等互斥的环境需求。Docker

深度学习可以说是在人脸分析相关领域遍地开花，近年来在人脸识别，深度学习在人脸检测，人脸关键点检测中有很广泛的应用，这篇文章中，初步实现了基于深度学习CNN的人脸检测。

引言如果关注Kaggle 机器学习项目的同学，一定很熟悉人脸关键点检测这个任务，在2013 年的时候，ICML举办一个的challgene，现在放在kaggle 上作为 一种最常规kaggle入门任务而存在。本文的主要目的在于验证深度学习模型在人脸点检测效果，踩踩里面的坑。任务介绍人脸关键点检测，也称之为人脸点检测，是在一张已经被人脸检测器检测到的人脸图像中，再进一步检测出五官等关键点的二维坐标信息

导言深度学习深似海、尤其是在图像人脸识别领域，最近几年的顶会和顶刊常常会出现没有太多的理论创新的文章，但是效果摆在那边。DeepID是深度学习方法进行人脸识别中的一个简单，却高效的一个网络模型，其结构的特点可以概括为两句话：1、训练一个多个人脸的分类器，当训练好之后，就可以把待测试图像放入网络中进行提取特征，2对于提取到的特征，然后就是利用其它的比较方法进行度量。具体的论文可以参照我的一篇论文笔记：