Problems on RNN

最新推荐文章于 2023-10-09 02:15:42 发布
最新推荐文章于 2023-10-09 02:15:42 发布
阅读量297 收藏
点赞数
分类专栏： deeplearning matlab 文章标签： CNN GPR rebar
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/jaz/article/details/88984742
版权

use carf10net
 load('rcnnStopSigns.mat','cifar10Net')    
 
 %%  classes
summary(trainingData)

imageshow
    % Read one of the images.
    num=150;
I = imread(ResTrain.filename{num});

% Insert the ROI labels.
I = insertShape(I, 'Rectangle', ResTrain.rebar{num});

% Resize and display image.
I = imresize(I,3);
figure
imshow(I)

train net
options = trainingOptions('sgdm', ...
        'MiniBatchSize', 128, ...
        'InitialLearnRate', 1e-3, ...
        'LearnRateSchedule', 'piecewise', ...
        'LearnRateDropFactor', 0.1, ...
        'LearnRateDropPeriod', 100, ...
        'MaxEpochs', 5, ...
        'Verbose', true);
    
    % Train an R-CNN object detector. This will take several minutes.    
    rcnn = trainRCNNObjectDetector(trainingData, cifar10Net, options, ...
    'NegativeOverlapRange', [0 0.3], 'PositiveOverlapRange',[0.5 1])

===============================================

*******************************************************************
Training an R-CNN Object Detector for the following object classes:

* rebar

--> Extracting region proposals from 286 training images...done.

Warning: Unable to find any region proposals to use as positive training samples in these images:

F:\machine learning\rebar\0images_big_rebar\train\rebar\20.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\23.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\26.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\31.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\34.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\35.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\37.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\39.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\42.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\49.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\50.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\61.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\62.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\64.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\69.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\70.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\76.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\88.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\101.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\102.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\104.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\105.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\121.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\151.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\161.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\223.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\229.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\244.BMP

They will not be used for training.

Warning: Unable to find any region proposals to use as negative training samples in these images:

F:\machine learning\rebar\0images_big_rebar\train\rebar\20.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\23.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\31.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\37.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\39.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\42.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\50.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\61.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\62.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\64.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\76.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\88.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\101.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\102.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\104.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\151.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\161.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\216.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\223.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\229.BMP
F:\machine learning\rebar\0images_big_rebar\train\rebar\244.BMP

rcnn = 
  rcnnObjectDetector with properties:

               Network: [1×1 SeriesNetwork]
     RegionProposalFcn: @rcnnObjectDetector.proposeRegions
            ClassNames: {'rebar'  'Background'}
    BoxRegressionLayer: 'conv_2'


2 use the original data to train

*******************************************************************
Training an R-CNN Object Detector for the following object classes:

* rebar

--> Extracting region proposals from 286 training images...done.

--> Training a neural network to classify objects in training data...

Training on single CPU.
Initializing image normalization.
|========================================================================================|
|  Epoch  |  Iteration  |  Time Elapsed  |  Mini-batch  |  Mini-batch  |  Base Learning  |
|         |             |   (hh:mm:ss)   |   Accuracy   |     Loss     |      Rate       |
|========================================================================================|
|       1 |           1 |       00:00:00 |       31.25% |       0.7632 |          0.0010 |
|       1 |          50 |       00:00:18 |       96.88% |       0.0816 |          0.0010 |
|       1 |         100 |       00:00:36 |       96.09% |       0.0797 |          0.0010 |
|       1 |         150 |       00:00:54 |       99.22% |       0.0309 |          0.0010 |
|       1 |         200 |       00:01:11 |       97.66% |       0.1210 |          0.0010 |
|       1 |         250 |       00:01:29 |       96.88% |       0.0863 |          0.0010 |
|       2 |         300 |       00:01:47 |       96.88% |       0.0486 |          0.0010 |
|       2 |         350 |       00:02:05 |       99.22% |       0.0270 |          0.0010 |
|       2 |         400 |       00:02:23 |       99.22% |       0.0264 |          0.0010 |
|       2 |         450 |       00:02:40 |       97.66% |       0.0465 |          0.0010 |
|       2 |         500 |       00:02:58 |       96.88% |       0.1099 |          0.0010 |
|       2 |         550 |       00:03:16 |       99.22% |       0.0117 |          0.0010 |
|       3 |         600 |       00:03:34 |       99.22% |       0.0249 |          0.0010 |
|       3 |         650 |       00:03:51 |       98.44% |       0.0309 |          0.0010 |
|       3 |         700 |       00:04:09 |       99.22% |       0.0312 |          0.0010 |
|       3 |         750 |       00:04:27 |       98.44% |       0.0499 |          0.0010 |
|       3 |         800 |       00:04:45 |       97.66% |       0.0428 |          0.0010 |
|       3 |         850 |       00:05:02 |       98.44% |       0.0494 |          0.0010 |
|       4 |         900 |       00:05:20 |       99.22% |       0.0234 |          0.0010 |
|       4 |         950 |       00:05:37 |       96.09% |       0.0727 |          0.0010 |
|       4 |        1000 |       00:05:55 |      100.00% |       0.0124 |          0.0010 |
|       4 |        1050 |       00:06:13 |       99.22% |       0.0117 |          0.0010 |
|       4 |        1100 |       00:06:31 |       97.66% |       0.0633 |          0.0010 |
|       4 |        1150 |       00:06:49 |       96.88% |       0.0852 |          0.0010 |
|       5 |        1200 |       00:07:06 |       99.22% |       0.0113 |          0.0010 |
|       5 |        1250 |       00:07:24 |      100.00% |       0.0043 |          0.0010 |
|       5 |        1300 |       00:07:41 |      100.00% |       0.0205 |          0.0010 |
|       5 |        1350 |       00:07:59 |       98.44% |       0.0425 |          0.0010 |
|       5 |        1400 |       00:08:17 |       99.22% |       0.0238 |          0.0010 |
|       5 |        1450 |       00:08:34 |       98.44% |       0.0450 |          0.0010 |
|       5 |        1455 |       00:08:36 |       99.22% |       0.0175 |          0.0010 |
|========================================================================================|

Network training complete.

--> Training bounding box regression models for each object class...100.00%...done.

Detector training complete.
*******************************************************************

Test R-CNN Stop Sign Detector
The R-CNN object detector can now be used to detect stop signs in images. Try it out on a test image:
% Read test image
num=1;
testImage = imread(testData.filename{num});

% Detect stop signs
[bboxes,score,label] = detect(rcnn,testImage,'MiniBatchSize',128)
% show the result
% Insert the ROI labels.
I = insertShape(testImage, 'Rectangle', bboxes);

% Resize and display image.

figure
imshow(I)

rebar

3  Progress

   I have spent a week on using DAG network, but failed again and agian, now use carf10net, it works.

 I will go deeper in CNN.

 However, good news. 

4Plan

Try with more dataset,use different pre-trained network

 

 

做一个码农都是奢望
关注
专栏目录
cs224u 监督情感分析：RNN classifiers（3)
段智华的博客
05-31 446
cs224u 监督情感分析：RNN classifiers（3) 递归神经网络（RNN）是一种按顺序处理输入的深度学习模型，本文使用RNN分类器。 对于长度为n的序列： 其中1⩽t⩽n，如上图所示，隐藏状态序列初始状态用h0表示，在我们的实现中是一个0向量，但可以用更复杂的方式初始化。 RNN数据集准备 SST包含树，但RNN只处理叶节点序列。函数sst.build_rnn_dataset创建以下格式的数据集： X_rnn_train, y_rnn_train = sst.build.
cs224u 监督情感分析：RNN classifiers PyTorch 实现（4)
段智华的博客
06-01 396
cs224u 监督情感分析：RNN classifiers PyTorch 实现（4) __author__ = "Christopher Potts" __version__ = "CS224u, Stanford, Spring 2020" 在上一篇博客中讲解了使用Numpy实现RNN分类器https://duanzhihua.blog.csdn.net/article/details/106459726 本文讲解使用Pytorch实现RNN分类器。 torch_rnn_classifi
RNN LSTM的坑
u012458963的博客
03-04 371
tf.nn.dynamic_rnn 详解 - 木二的文章 - 知乎 https://zhuanlan.zhihu.com/p/43041436
基于MATLAB的LSTM神经网络时序预测
热门推荐
m0_56146217的博客
03-18 9万+
首先在本文中不考虑已知序列的预测，即不使用观测值去进行下一步的预测，这在实际中是没有应用意义的，除非是已知实验数据再去进行一个模型的验证。 第一步：加载数据，并进行数据预处理 load Forcedata_1.mat %加载数据(double型，只有一列数据,时序预测没有实际时间，只有事情发生的顺序) data=force'; %将数据集转置 %% 序列的前 90% 用于训练，后 10% 用于测试 dataTrain = data(1:1000); %定义训练集 dataTest = da
关于使用用Alexnet训练模型在每个epoch中准确率和loss都会一升一降
weixin_43492016的博客
10-25 5152
遇到的问题 当时自己在使用Alexnet训练图像分类问题时，会出现损失在一个epoch中增加，换做下一个epoch时loss会骤然降低，一开始这个问题没有一点头绪，我数据也打乱了，使用的是tf.train.shuffle_batch 在capacity中设置一个值，比如是1000吧，每次取一千个数据后将这一千个数据打乱，本次使用的数据集就是每个种类1000多，而我加载数据时是一类一类加载的，这就造...
手把手教你用matlab做深度学习(二)- --CNN
caokaifa的博客
07-23 2万+
在上一篇博客中，讲解了怎么用matlab搭建CNN网络模型，并给出了训练过程与结果。但是结果不是很满意，大概训练精度在80%左右，现在给出改进方案。 1.首先，我们可以把CNN滤波输出数改大点，从原来的32改为numFilters = 128，完整的程序如下： [trainingImages,trainingLabels,testImages,testLabels] = helperCIFAR...
MATLAB深度学习工具箱文档——trainingOptions函数的参数设置
qq_36108664的博客
11-20 1万+
trainingOptions函数的参数设置是深度学习训练的一个重点，训练深度学习神经网络的选项 这里写目录标题ExamplesInput ArgumentssolverName — Solver for training networkPlots and Display'Plots' — Plots to display during network training'Verbose' — Indicator to display training progress information'Verbose
常见RNN及其架构
qq_25248517的博客
12-20 3576
蛤！没啥摘要啊，这里是简单的一些RNN架构分享啊~~
A Survey on Deep Learning Techniques Applied to medical image analysis
程序员光剑
08-13 276
作者：禅与计算机程序设计艺术 Introduction:Deep learning techniques have recently gained popularity in medical image analysis because they are capable of accurately identifying disease markers without relying on human intervention, enabling better decision-making and tre
What is Deep Learning? An Introductory Survey on its Ad
最新发布
程序员光剑
10-09 672
作者：禅与计算机程序设计艺术Deep learning is a subfield of machine learning that has revolutionized the way computers learn and understand data. It involves using artificial neural networks to discover patterns in complex datasets, which are often used in natural langua
MATLAB-DL3
L_fengzifei的博客
05-23 882
MATLAB-DL3trainingOptions 定义训练参数epoch/iteration/bitchsize 定义网络训练参数 trainingOptions 定义训练参数 options = trainingOptions('adam'); %adam是一个对loss function的优化方法， trainedNet = trainNetwork(data,layers,options); 返回的是一个对象，用来输入到trainNetwork中 还有的可学习的参数可以设置 epoch/itera
matlab运行alexnet报错unable to find any region proposals to use as positive or negative training samples
weixin_37890663的博客
10-28 696
这里写自定义目录标题在matlab上运行alexnet时出现报错，下面是报错相关信息出错原因 在matlab上运行alexnet时出现报错，下面是报错相关信息 错误使用 vision.internal.cnn.fastrcnn.RegionReader (line 146) Unable to find any region proposals to use as positive or nega...
Matlab 训练深度学习模型函数 trainingOptions
qingfengxd1的博客
08-06 8924
functionopts = trainingOptions(solverName, varargin) solverName： 'sgdm' -带动量的随机梯度下降 'adam' -自适应力矩估计 'rmsprop' -均方根传播 'Momentum' 仅当求解器为“ sgdm”时，此参数才适用。 动量确定了从上次迭代到当前训练迭代的梯度步长的贡献。 它必须是介于0和1之间的值，其中0将不提供上一步的贡献，而1将提供上一步的最大贡献。 默认值为0.9。 'Gr...
faster rcnn源码理解
Marshall的专栏
12-12 2万+
理解faster rcnn的源码有几个关键点 1.算法原理、网络结构、训练过程这是基本 2.要弄懂源码里训练数据数据是怎么组织起来的，imdb，roidb，blob很关键，弄清它们的数据结构以及各个阶段是如何产生的 3.一定的python、numpy基础知识 rpn_train.pt #stage 1训练RPN时用的网络结构 name: "ZF" layer {
【图像修复】基于深度学习的图像修复算法的MATLAB仿真
FPGA/MATLAB学习教程/源码/项目合作开发
04-07 4293
1.软件版本 matlab2021a 2.本算法理论知识 在许多领域，人们对图像质量的要求都很高，如医学图像领域、卫星遥感领域等。随着信息时代的快速发展，低分辨率图像已经难以满足特定场景的需要。因此，低分辨率图像恢复与重建的研究逐渐成为现阶段的研究热点，具有广阔的应用前景和应用价值。目前，现有的图像恢复和重建算法在一定程度上可以解决图像分辨率低的问题，但对于细节丰富的图像，重建能力差，视觉效果差。针对这一问题，本文结合深度学习神经网络的基本原理，提出了一种基于卷积神经网络的图像恢复与重建...
faster-rcnn的训练.md
我的一片小天地----FD
10-06 564
数据比较多，前面训练的log都已经被覆盖了，仅仅保存了下面这些， 数据量： 3700张图像 图像大小：600*400 硬件：1060 6G 软件：matlab2018a os：win10 64位 训练时间：12个小时 trainOption: options = trainingOptions('sgdm', ... 'MiniBatchSize', 1024, ... 'Init...
Matlab神经网络十讲(4): Setup Parameters and Train CNN
沈春旭的博客
01-31 2683
1. Overview            After we define the layers of our network, the next step is to set up the training options for the network. Use thetrainingOptions function to set up the global ntraining para
关于Matlab的Nerual Network Toolbox中TrainOptions的Loss Function的理解
06-28 571
TrainOptions函数用处如下： options =trainingOptions(solverName) options =trainingOptions(solverName,Name,Value) options = trainingOptions('sgdm',... 'LearnRateSchedule','piecewise',... ...
matlab实现RCNN(二)
听说你爱吃芒果
08-15 1万+
本文在MatlabR2016b上使用自带的深度学习工具实现RCNN来进行车辆检测。实验环境训练图片数量：825(网上收集+部分公共数据集)图片车辆数量：2300(对每张图片手工标注label得到)实验环境：MatlabR2016b(自带深度学习工具)CPU：I7-4510U显卡：NVIDIA GeForce840M(必须是N卡，因为需要使用cuda加速)内存：8G图片标注使用matlab自带的M文件
循环神经网络RNN学习指南
RNN学习必看 深度学习中的文本分类学习是指通过深度学习算法对文本进行分类和处理的过程。RNN（Recurrent Neural Network，循环神经网络）是深度学习中的一种重要算法，广泛应用于自然语言处理、语音识别、图像处理...
评论 1
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

打赏作者

做一个码农都是奢望

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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