caffe训练模型后，使用模型测试的分类结果全部都是相同的

最新推荐文章于 2023-06-19 18:43:48 发布
最新推荐文章于 2023-06-19 18:43:48 发布
阅读量6.4k 收藏 3
点赞数 1
分类专栏： caffe 文章标签： caffe会遇到的错误
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/itsophia/article/details/77962794
版权

从训练的输出可以看出，accuracy非常低，loss一直不收敛，所以使用这个训练出来的模型的分类结果都一样，因为训练过程中，机器根本没有学到东西~~

两种原因：

1、网络结构参数不对或者缺少   2、数据量太少

我使用了相同的网络去训练不同量的数据，10000+数据迭代10000次的效果好了很多，5000的数据量迭代4000次就没学到东西~

ITSophia
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
用caffe训练测试自己的图片
苏的专栏
08-26 9612
所有的操作是基于caffe的根目录/caffe-master/来操作的：数据准备我所用的图片是车牌识别中，0～9数字图片，在data下面新建一个number目录，用来存放训练图片（caffenumimg_train）与测试图片（caffenumimg_test)，0～9分别有200张左右的训练图片和50张左右的测试图片转换成lmdb格式文件首先，在data/number/目录编写一个脚本create
keras加载已经训练好的模型文件，进行预测时却发现预测结果几乎为同一类（本人预测时几乎均为为第0类）**
qq_33464569的博客
11-04 7773
在进行keras训练时候，使用了keras内置的数据读取方式，但是在进行预测时候，使用了自定义的数据读取方式，本人为图片读取。：本文意在说明 对训练数据和预测数据的读取、预处理方式上应该在某种程度上保持一致，从而避免训练结果和真实预测结果相差过大的情况。注：本文章为原创，欢迎转载，转载请注明出处。
matlab图刻度代码-IDN-Caffe:Caffe实施“通过信息蒸馏网络实现快速，准确的单图像超分辨率”（CVPR2018）
05-22
matlab图刻度代码IDN-Caffe Caffe实现“通过信息蒸馏网络实现快速，准确的单图像超分辨率” 拟议中的信息蒸馏网络的示意图 增强单元的平均特征图压缩单位的平均特征图 可视化每个增强单元中第三次卷积的输出特征图 测验 安装Caffe，Matlab R2013b 运行测试： $ cd ./test $ matlab >> test_IDN 注意：请确保成功符合Matcaffe。 ./test/caffemodel/IDN_x2.caffemodel ， ./test/caffemodel/IDN_x3.caffmodel和./test/caffemodel/IDN_x4.caffemodel通过训练与291倍的图像模型获得，并且./test/caffemodel/IDN_x4_mscoco.caffemodel是通过使用mscoco数据集训练相同的模型而获得。 结果与重建的图像和PSNR / SSIM / IFC一起存储在“结果”文件夹中。 训练 步骤1：使用train/include/caffe/layers/l1_loss_layer.hpp ， train/src/ca
MyCaffe:一个面向Windows开发人员的几乎完全用C＃编写的完整的深度学习平台！ 现在，您可以使用C＃编写自己的图层！
04-18
欢迎来到MyCaffe！ 是对本机C ++ CAFFE [1]开源项目的完整C＃重写。 MyCaffe允许Windows C＃软件开发人员以其本机C＃语言使用和扩展深度学习解决方案。 现在，除了少数几个几乎所有的单元测试外，所有层都以C＃提供。 Windows程序员现在可以使用C＃语言编写自己的自定义层，但是仍然可以享受高效的深度学习架构的好处，该架构支持使用在多达8个无头GPU上支持多GPU训练。 现在，您可以使用的全部功能在本机C＃中为MyCaffe创建自定义图层！ 为了尽力使MyCaffe C＃代码与原始CAFFE [1]保持一致，我们付出了巨大的努力，以期使扩展通用的CAFFE体系结构变得更加容易。 另外，MyCaffe对求解器和模型描述使用相同的Proto Buffer文件格式，并对模型二进制文件使用模型，从而允许在MyCaffe和C ++ CAFFE平台之间轻松交换。
CNN-compression-performance:python脚本，可以自动训练CNN，通过tensorflow（或ristretto）插件对其进行压缩，并比较两个网络的性能
05-02
介绍 对于现实世界的应用，卷积神经网络（CNN）模型可能会占用超过100MB的空间，并且在计算上可能过于昂贵。 因此，在现有技术中存在多种降低这种复杂性的方法。 Ristretto是Caffe框架的插件，它采用了几种模型逼近方法。 对于此项目，首先将使用Caffe对Cifar-10数据集进行CNN模型的训练，然后将Ristretto用于使用不同方案生成训练模型的多个近似版本。 该项目的目标是在测试或推理阶段就执行性能，模型大小和缓存利用率方面对模型进行比较。 使用Tensorflow和量化工具完成相同的步骤。 然后比较Tensorflow和Ristretto的量化方案。 资料夹说明 ristretto：包含用于咖啡ristretto量化的工具 tf_quantize：包含用于张量流量化的工具 每个文件夹的自述文件中都有更详细的描述。 结果 作者 伊曼纽尔·盖尔菲（Emanuele Ghel
bottom-up-attention.pytorch:自下而上的注意力模型的PyTorch重新实现
05-10
自下而上的注意力 该存储库包含基于Caffe的项目的PyTorch重新实现。 我们使用作为后端来提供完整的功能，包括培训，测试和特征提取。 此外，我们从原始存储库中迁移了经过预训练的基于Caffe的模型，该模型可以提取与原始模型相同的视觉特征（偏差<0> = 3.6 > = 1.4 > = 9.2和cuDNN 顶尖 侦探2 射线 OpenCV Pycocotools 请注意，Detectron2需要上述大多数要求。 安装 克隆包含Detectron2所需版本（v0.2.1）的项目 # clone the repository inclduing Detectron2(@be792b9) $ git clone --recursive https:
deep-landmark:使用由Caffe驱动的Deep CNN预测面部标志
04-14
深地标 使用由Caffe驱动的Deep CNN预测面部标志。 该项目是针对深度点检测的论文“深度卷积网络级联”的重新实现。 数据 可以从下载所有培训数据。 下载图像并通过train和test提取到dataset 。 修改dataset下的level1.py, level2.py, level3.py更改为训练数据集。 火车 ./bootstrap.sh 这将首先为caffe模型生成prototxt文件，并将训练数据（图像和地标）转换为h5文件。 然后，我们将训练1级CNN，并使用结果生成2级的训练数据。 而对于2级和3级来说，方法是相同的。 我强烈建议您分别训练每个CNN。 首先查看损失以了解其是否稳定是至关重要的，如果不稳定，请停止训练并重新开始。 查看训练日志 我修改了Caffe源代码以记录每次测试的测试损失，并编写了view_loss.py来绘制损失，所有日志文件都log在l
ML特征工程和优化方法（2万+字总结...持续补充中）
Carroll的博客
02-26 3414
1. 特征工程有哪些？ 特征工程，顾名思义，是对原始数据进行一系列工程处理，将其提炼为特征，作为输入供算法和模型使用。从本质上来讲，特征工程是一个表示和展现数 据的过程。在实际工作中，特征工程旨在去除原始数据中的杂质和冗余，设计更高效的特征以刻画求解的问题与预测模型之间的关系。 主要讨论以下两种常用的数据类型。 结构化数据。结构化数据类型可以看作关系型数据库的一张表，每列都 有清晰的定义，包...
神经网络训练出来的模型输出的结果都是相同的值
热门推荐
qq_43323545的博客
09-30 2万+
作为一个pytorch的初学者，开始进行实战时，会遇到很多问题。 在进行学习时，你一定对learnig rate这个概念有很深的影响，但我在刚开始进行练习时总是忘了这个概念，直到这次在一个训练了很久的模型在验证集上的却总是输出同一个数，我不知道哪里出错了，刚开始觉得是神经网络组建的有问题，换了种常规的形式在训练了若干次之后又只输出一个定值了。我便进入了漫长的debug，发现了loss在呈周期性变化，过了一段时间，想起来lr设置过大便可能会造成这种结果，所以调小了lr，并减少了训练次数（我觉得也有过拟合的嫌疑
Matlab BP神经网络训练的心得TIPS——关于为什么一样的训练集输入测试集，结果却不一样——手把手教你从神经网络工具箱到自定义网络（适用多输入多输出）
weixin_44276743的博客
03-30 2103
如果是新手自己搭建，特别是利用matlab的神经网络工具箱-导出脚本这种方式想自己上改动时，经常会面临一个问题——我在哪改权重和阈值？？？？
Pytorch 多分类结果测试
洪流之源
08-07 4950
在模型训练过程中需要对当前的效果进行验证，或者训练结束后需要在测试集上对模型进行测试。比如多分类问题，网络的前向传播的结果是一个概率值Tensor，如果是一个10分类问题，并且batch=4,结果是一个4*10的Tensor，Tensor的每一行表示某张图片分别在10分类下的预测概率值。 Pytorch中的argmax()函数可以返回Tensor中每一行最大值的索引，torch.eq()函数可以...
人工智能导论(4)——不确定性推理(Uncertainty Reasoning)
hustlei的专栏
12-06 1万+
推理是人工智能经典三大基本技术之一，是人类求解问题的主要思维方法。 本文重点内容包括：不确定性推理的概念及分类；不确定性推理中的基本问题；概率方法及贝叶斯公式；可信度方法；模糊推理
边云协同：大小模型如何协同推理？
最新发布
Java开发，人工智能，边缘计算，致力于掌握前沿技术
06-19 4176
历史上计算形态经历了几次重要变化。当本地计算成本低于通信成本时，计算模式由分时共享机制迅速转变为本地计算完成方式；当网络技术进步使得通信成本远低于计算成本时，开始出现由本地计算向云计算的过渡。随着硬件成本降低、计算能力提升、通信带宽飞跃、传感器感知能力进化等技术进步持续发生，传统计算长久以“算力为王”的模式来部署完成，即任务汇聚到大型机上集中处理，而后分散到用户终端设备处理，再然后相当一部分的计算任务重新汇聚到云计算中心处理。
Caffe测试集分类结果相同，全部为最后一类
GL3_24的博客
12-13 1810
现象说明 目标：二分类，训练过程中验证集准确率比较高。训练完成之后对测试集进行测试，测试结果中的类别全部为1(最后一类)。 Caffe测试集分类结果相同，全部为最后一类 原因及解决方案 原因：没有对网络的第一个卷积层进行初始化。下图是原来网络第一个卷积层的参数。 解决方案：将第一个卷积层权重初始化为“xavier”，偏置初始化为常量0。 ...
caffemodel做分类所有类别得分一样的解决办法
wo4691205的博客
04-19 1313
caffemodel做分类所有类别得分一样的解决办法最近使用MATLAB调用caffemodel做分类时，遇到一个问题，不管用哪一张图片做测试，得到的分类结果是一样的，每一类的得分也是一样的，都是1/n.另外，caffe训练时若加入accuracy层，会报错check failed：label_value < num_values.在这个问题上卡了好几天，终于找到解决办法：将标签文件的标签从1，2…
图像分类模型输出全是一样的？
weixin_35750483的博客
01-12 168
不同的图像分类模型对同一张图片的输出可能不同。因为不同的模型具有不同的结构、训练数据和参数。即使使用相同的图像数据集进行训练，也可能出现不同的结果。 ...
caffe分类输出概率都一样！怎么办！
MrKawuyi的博客
05-27 3301
最近，由于工作的需要，要使用Caffe做深度学习分类。从安装，到调试，再到走通真是好费周折。好不容易能够做分类了，结果不论输入什么图片，输出的各个类别的概率都是一样的。刚开始，我以为是输入到网络里的数据在哪里出问题了，于是将这些数据转换成图片,果不其然。原来，我在使用多通道的时候用了GDAL读取数据，在重新组织数据的时候参考了网上的一篇微博，读出的数据居然是有问题的。好郁闷！于是我又自己重新写了相...
caffe 目标检测 训练教材_caffe-ssd使用预训练模型做目标检测
06-07
好的，针对你的问题，这里简单介绍一下如何使用caffe-ssd预训练模型进行目标检测。 caffe-ssd是基于caffe框架实现的单阶段目标检测算法，使用预训练模型可以加快模型训练的速度，同时也可以提高模型的检测精度。下面是使用预训练模型做目标检测的步骤： 1. 下载预训练模型 caffe-ssd官方提供了一些预训练模型，可以在这里下载：https://github.com/weiliu89/caffe/tree/ssd#models。选择适合自己数据集的模型进行下载。 2. 准备数据集 准备自己的数据集，包括训练集、验证集和测试集。数据集需要满足SSD数据格式要求，即每个样本需要有对应的标注文件，标注文件格式为：类别id、xmin、ymin、xmax、ymax（例如：0 0.1 0.2 0.3 0.4，表示类别为0，左上角坐标为(0.1, 0.2)，右下角坐标为(0.3, 0.4)）。 3. 修改配置文件 修改caffe-ssd的配置文件，将模型路径、数据路径、类别数等参数配置正确。其中，模型路径需要指定为下载的预训练模型路径。 4. 训练模型 使用修改后的配置文件训练模型。训练过程中可以调整学习率、迭代次数等参数，以达到更好的效果。 5. 测试模型 使用测试集对训练好的模型进行测试，并计算模型在测试集上的精度和召回率等指标。 以上就是使用caffe-ssd预训练模型做目标检测的基本步骤。需要注意的是，使用预训练模型虽然可以加速模型训练过程，但是如果数据集和预训练模型的差异较大，仍然需要进行微调。

“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
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