lien0906的专栏

最近在搞caffe的应用，因为很多时候我们需要进行服务器来进行特征的抽取，所以我们需要很将单张图片丢入caffe的网络进行一次传递，这样就诞生了一个从内存中如何加载数据进入caffe的需求，这里我直接贴出代码来先：[cpp] view plaincopy#include       // these need to b

http://blog.sina.com.cn/s/blog_721a75e50102wfig.html问题一：libunwind.so.8: undefinedreference//usr/lib/x86_64-linux-gnu/libunwind.so.8: undefined referenceto `lzma_index_end@XZ_5.0' //usr/lib/x

近期要对医学图像在caffe上进行微调，总算找到一篇不错的文章，转载过来，方便查阅。网址：http://www.cnblogs.com/denny402/p/5137534.htmlcaffe团队用imagenet图片进行训练，迭代30多万次，训练出来一个model。这个model将图片分为1000类，应该是目前为止最好的图片分类model了。假设我现在有一些自

1.配置环境1. 本文在windows7+vs2013的环境下编译 ，CUDA版本8.0，cudnn版本5.12. CUDA下载地址：https://developer.nvidia.com/cuda-toolkit，cudnn：cudnn-8.0-windows7-x64-v5.1 下载地址：https://developer.nvidia.com/cudnn 3. 安装

第一种说明方式：拷贝convert_imageset，生成新工程convert_imageset_multi_label 修改源码std::ifstream infile(argv[2]); std::vectorstring, std::vectorfloat>> > lines; std::string filename; s

所有的层都具有的参数，如name, type, bottom, top和transform_param请参看我的前一篇文章：Caffe学习系列(2)：数据层及参数本文只讲解视觉层（Vision Layers)的参数，视觉层包括Convolution, Pooling, Local Response Normalization (LRN), im2col等层。1、Convolutio

caffe的各种数据层在caffe.proto文件中有定义。通过对定义的caffe.proto文件进行编译，产生支持各种层操作的c++代码。后面将会详细解读caffe.proto文件（在caffe里就是当做一个自动代码生成工具来用）。本文主要介绍caffe可以读入数据的各种格式，方便后面采用caffe训练自己的数据数据的来源主要有以下几种：（1）高效的数据库（Level

正如caffe的examples所提，CNN model并不是一个黑盒，caffe提供了工具来查看cnn各层的所有输出1.查看CNN各层的activations值的结构（即每一层的输出）代码如下：# 显示每一层for layer_name, blob in net.blobs.iteritems(): print layer_name + '\t' + str(b

Caffe的训练日志就是我们在命令窗口中看到的训练时打印出来的信息，我们可以利用这些信息画训练时lossaccruacy图，至于怎么利用这些信息画出这两个图是下一篇将要讲述的问题。我们先来看看这些保存在什么地方。如果你是使用的Caffe-Windows版本是happynear大神编译的老版本，那你应该会在bin文件下发现一个log文件夹，里面保存的就是我们需要的训练文件，文件名上有时间，可

caffe Convolution层的convolution_param参数字典中有一个group参数，其意思是将对应的输入通道与输出通道数进行分组，比如输入数据大小为90x100x100x32 90是数据批大小 100x100是图像数据shape，32是通道数，要经过一个3x3x48的卷积，group默认是1，就是全连接的卷积层，如果group是2，那么对应要将输入的32个通道分成2个1

solver.prototxt今天在做FCN实验的时候，发现solver.prototxt文件一直用的都是model里自带的，一直都对里面的参数不是很了解，所以今天认真学习了一下里面各个参数的意义。DL的任务中，几乎找不到解析解，所以将其转化为数学中的优化问题。sovler的主要作用就是交替调用前向传导和反向传导 (forward & backward) 来更新神经网络的连接权值，

时间节点2016.04，即caffe重大更新后（每一种层都对应一个同名cpp和hpp文件）。描述一下本次要实现层的功能：正向直接copy传播，反向时将梯度放缩指定倍。这个层对一些特定的网络结构有很重要的辅助作用，比如有时我们的网络存在分支，但我们不希望某一分支影响之前层的更新，那么我们就将梯度放缩0倍。（1）创建HPP头文件diff_cutoff_layer.hpp

在caffe的训练过程中，大家难免想图形化自己的训练数据，以便更好的展示结果。如果自己写代码记录训练过程的数据，那就太麻烦了，caffe中其实已经自带了这样的小工具 caffe-master/tools/extra/parse_log.sh  caffe-master/tools/extra/extract_seconds.py和 caffe-master/tools/extra/plot_tra

yunmingzhang17  和caffe官网 都有介绍添加层，但是不是很详细，我就简单实现一下这个加层，新手学习，请多多指教。   This is a post outlining the steps you need to take to create your own layer in CAFFE, a popular framework for wri

前言老实说，caffe中的layer层代码比较多，各种抽象看起来比较绕。官方关于Layer的教程写的很清楚，我根据这个文档，简单画了个图，再理解起来就方便了一些。layer.hpp和layer相关的头文件有：common_layers.hppdata_layers.hpplayer.hpploss_layers.hppneuron_layers.hppvision_l

Caffe中的损失函数解析导言在有监督的机器学习中，需要有标签数据，与此同时，也需要有对应的损失函数（Loss Function）。在Caffe中，目前已经实现了一些损失函数，包括最常见的L2损失函数，对比损失函数，信息增益损失函数等等。在这里做一个笔记，归纳总结Caffe中用到的不同的损失函数，以及分析它们各自适合的使用场景。欧式距离损失函数（Euclidean Lo

常用 blas 函数Y=alpha * X +beta*Y template <>void caffe_cpu_axpbyfloat>(const int N, const float alpha, const float* X, const float beta, float* Y) { cbl

DeepID实践作者微博：zyx_1991小编推荐：张雨石（笔名）是北航软院研二的童鞋，一直关注深度学习在人脸识别方面的实践，主要研究方向也是深度学习在图像处理上的应用，写了多篇科普文章。本篇是 @龙星镖局 特别邀请他写的一篇实践性很强的科普文章，主题是牛逼哄哄的DeepID。没错，就是那个识别准确率在99.15%的汤晓鸥，王小刚团队发明的深度学习算法。另，本篇文章同步发表在作者的

在imagenet上的图像分类challenge上Alex提出的alexnet网络结构模型赢得了2012届的冠军。要研究CNN类型DL网络模型在图像分类上的应用，就逃不开研究alexnet，这是CNN在图像分类上的经典模型（DL火起来之后）。在DL开源实现caffe的model样例中，它也给出了alexnet的复现，具体网络配置文件如下https://github.com/BVLC/caf

这个是怎么编译扩展包的呢？首先在here下载两个包:opencv_contrib和opencv ，然后按照正常的方法把opencv编译好:这里的opencv必须要这个链接的版本，我试了一下自己的版本是不可以编译的。[cpp] view plain copy cd opencv  mkdir build  cd 

http://www.cnblogs.com/louyihang-loves-baiyan/

深度网络(net)是一个组合模型，它由许多相互连接的层（layers)组合而成。Caffe就是组建深度网络的这样一种工具，它按照一定的策略，一层一层的搭建出自己的模型。它将所有的信息数据定义为blobs，从而进行便利的操作和通讯。Blob是caffe框架中一种标准的数组，一种统一的内存接口，它详细描述了信息是如何存储的，以及如何在层之间通讯的。1、blobBlobs封装了运行时的数

1.第一步，网上下载Xubuntu的镜像文件.iso，下载网址为：http://cdimage.ubuntu.com/xubuntu/releases/14.04/release/2. 第二步，拿一个大于2g的u盘，利用UltroISO制作Xubuntu的镜像文件，网上资料大把；3.第三步，将电脑启动项改为u盘启动，安装Xubuntu系统；3. 第四步，利用网上caffe环境配置教程一

一、准备工作a.  ubuntu系统安装。交换空间选择逻辑分区，根目录选择主分区。为防止安装显卡后黑屏，初步选用英文版本系统安装。b. 显卡驱动和cuda8.0安装文件。2. 禁止集成的nouveau驱动（1）Ubuntu系统集成的显卡驱动程序是nouveau，它是第三方为NVIDIA开发的开源驱动，我们需要先将其屏蔽才能安装NVIDIA官方驱动。 将驱

注意：本教程只针对以下配置而言，其他配置可能会出现其他问题，不承担任何责任。配置说明：双硬盘双系统，250G固态硬盘装了win10，4T机械硬盘装了Ubuntu16.04双显卡：集显加独显（GTX1080）先按照了win10，再装Ubuntu16.04，都是制作了U盘引导盘安装，没什么好说说明1、1080装机只能使用DVI接口的显示器，无

自己建立一个工程，调用libcaffe.lib ，成功编译，但是运行就会遇到报错F0519 14:54:12.494139 14504 layer_factory.hpp:77] Check failed: registry.count(t ype) == 1 (0 vs. 1) Unknown layer type: Input (known types: Input )

Win7下安装和编译caffe2，所需主要原材料：系统：win7vs版本：vs2015cuda版本：8.0cudnn版本：cudnn6.0caffe版本：caffe2python版本：python2.7下面进入干货阶段（假设vs2015,cuda和cudnn,python均已经安装成功）：（1）下载python依赖   这一步建议事先要在已经安装pip的前提下进