caffe
_飞奔的蜗牛_
关注图像处理/机器视觉/机器学习/大数据 等领域
学海无涯,与时俱进。
展开
-
matcaffe 使用中,matlab直接错误退出问题
1、首先需要配置matlab接口环境,并定义是否开启GPU加速 caffe.set_mode_gpu(); %GPU加速模式 caffe.set_mode_cpu(); %CPU加速模式 如果没有配置成功,则会报错:无法找到caffe_2、加载训练好的模型 net = caffe.Net(net_model,weight,’test’) net_model 通常为deploy.prot原创 2017-04-06 23:29:59 · 4300 阅读 · 4 评论 -
dropout个人理解
1、dropout中概率参数p,是指单个神经元被丢弃的概率。 2、训练阶段droup的开关放在激活值之后, 3、测试阶段,每个激活值后乘以q(保留概率),以此来缩放激活函数。 4、某一层有n个神经元,则一次迭代丢弃的神经元个数是不确定的,它是个随机变量,服从二项分布。 5、经过多轮训练,某层神经元平均丢弃的个数为概率为n*p。 6、在n*p处的概率最大,并以p=0.5为左右对称分布。原创 2017-09-10 11:31:56 · 898 阅读 · 0 评论 -
全卷积网络FCN几点认识
FCN全卷积网络,作为语义分割的鼻祖,研究了一下,但是,其中几个问题一直没有想明白,现汇总一下。 1、首个卷积层为什么pad=100 ?我们从VGG16网络结构中探究原因。 VGG16的特点是,conv5之前的卷积层均使用卷积核 kernel_size=3,pad=1,因此,卷积前后不改变数据尺寸,改变featrueMap的尺寸只有pooling层。 现在我们只考虑pooling层,所有p原创 2017-09-04 10:38:07 · 831 阅读 · 0 评论 -
caffe添加C++层和python层定义
caffe的网络层类型注册机制。 我们知道,caffe中有很多网络层(layer),每个层并单独定义成一个c++类,如卷积层class ConvolutionLayer、class PoolingLayer等。当我们自定义一个层结构,该如何融入caffe架构里去呢?为了实现这个目的,需要首先了解一下caffe层的构建机制。1. 编写源文件及头文件首先,编写自己类(Mytest)的头文件、源文件:M原创 2017-09-06 17:10:31 · 2465 阅读 · 1 评论 -
caffe 输出信息分析+debug_info
1 caffe输出基本信息caffe在训练的时候屏幕会输出程序运行的状态信息,通过查看状态信息方便查看程序运行是否正常,且方便查找bug. caffe debug信息默认是不开启的,此时的输出信息的总体结构如下所示: 1.1 solver信息加载并显示1.2 train网络结构输出1.3 Train 各层创建状态信息I0821 09:53:35.572999 10308 laye原创 2017-08-21 14:02:45 · 5237 阅读 · 0 评论 -
python-caffe接口学习(Solving in Python with LeNet)
参考官方链接: http://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/01-learning-lenet.ipynb[(k, v.data.shape) for k, v in solver.net.blobs.items()] // 利用此命令,可查看featuremap/* // solver.原创 2017-08-17 00:14:10 · 563 阅读 · 0 评论 -
caffe in python ---Classification
参考官方文档:http://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/00-classification.ipynb#-*- coding: utf-8 -*-import numpy as npimport matplotlib.pyplot as plt# display plots in this noteb翻译 2017-08-19 23:11:57 · 556 阅读 · 0 评论 -
python 图像显示
1 普通图像显示RGB图像读入和显示,及灰度图显示import numpy as npimport matplotlib.pyplot as pltimg = plt.imread('lena.jpg')#img = np.array(img)plt.figure(1)plt.imshow(img)if img.ndim == 3: img = img[:,:,0]plt.figu原创 2017-08-18 20:16:05 · 6127 阅读 · 0 评论 -
caffe深度学习-windows下绘制学习曲线
在windows下绘制学习曲线。1、获取训练日志文件1)设置好solver.prototxt ,train_test.prototxt等配置文件 2)建立批处理文件(.bat),将输出至屏幕的训练信息,重定性至文件。 train.bat 配置如下:e:cd E:\deeplerning\caffe\caffe-windows\My //转换至工作目录,日志文件将保存在此目录E:\de原创 2017-04-09 17:14:27 · 2859 阅读 · 0 评论 -
关于caffe的笔记
1、利用caffe训练期间,内存需要多少,内存中都保存了学什么?内存需要保存一个训练周期中的所有 feature map 数据+网络参数数据 受bach_size 及网络模型大小关系较大。2、利用训练好的模型文件.caffemodel如何初始化网络模型文件 .prototxt?matlab 接口: net=caffe.Net() net.copy_from()caffe 源码解释: 调用原创 2017-07-19 00:09:27 · 1102 阅读 · 0 评论 -
faster rcnn配置 cuda8.0
参考博客: http://blog.csdn.net/sinat_30071459/article/details/505468911、编译caffe-faster rcnn库 Caffe for Faster R-CNN 编译过程: 1)下载caffe_library.zip 2)将caffe-faster rcnn库中的所有文件copy至./caffe原创 2017-05-02 19:17:03 · 923 阅读 · 0 评论 -
libcaffe Check failed: registry.count(type) == 1 (0 vs. 1) Unknown layer type: Input (known types: )
在用libcaffe.lib建立工程时,出现 Check failed: registry.count(type) == 1 (0 vs. 1) Unknown layer type: Input (known types: )错误,参考了两篇博文解决问题: 主要思想是增加 头文件,注册layer层。 http://blog.csdn.net/birdwcp/article/deta转载 2017-04-19 22:44:41 · 3477 阅读 · 5 评论 -
vs2013编译caffe中添加*.cu文件无法编译的情况
在vs2013中添加*.cu源文件,但是vs就是不编译该文件,处理方法: 属性–》项目类型–》CudaCompile 这样,就能编译成功。原创 2018-02-01 11:45:42 · 1417 阅读 · 0 评论