Caffe
文章平均质量分 93
nichengwuxiao
这个作者很懒,什么都没留下…
展开
-
Caffe-Windows训练自己数据 + 迁移学习
用配置好的Windows版本Caffe(no GPU),使用caffe自带的ImageNet网络结构进行训练和测试。训练自己的数据;用caffe团队采用imagenet图片进行训练的参数结果,进行迁移学习;原创 2018-01-23 15:11:33 · 3497 阅读 · 8 评论 -
Caffe-Windows + Anaconda3编译Caffe的python接口
一:目的Caffe-Windows编译python接口;网上找了很多资料,基本上都是用Anaconda2进行编译的,但是个人电脑中装的是Anaconda3,故这里采用Anaconda3进行编译并做下记录。二:编译过程1. 思路个人电脑里装了python27,python36和Anaconda3,而Caffe-Windows编译python接口基本上都是基于pytho原创 2018-01-23 15:12:39 · 5827 阅读 · 1 评论 -
Caffe-Windows + FCN进行图像语义分割
一:目的利用上篇文章编译好的python接口,采用FCN(Caffe版本)进行图像分割;二:图像语义分割1. 环境准备(1) Caffe-Windows的python接口编译,可参见上篇博文。(2) 下载FCN源码。作者在github上开源了代码,直接下载即可。下载完成后,将其解压进caffe-windows目录下,如下图所示(在这里我将其重名为了fcn原创 2018-01-24 23:15:47 · 4339 阅读 · 0 评论 -
Windows+CPU+Caffe配置与运行
一:目的实现Windows版本Caffe(no GPU)的配置,并运行MNIST数据集以验证Caffe配置的正确性;二:环境1. Win 10(64位)2. VS 2013三:配置1. Caffe-Windows下载;(1) 下载Caffe-Windows,并解压,解压后如图所示;值得注意的是,当前github中的版本没有对应原创 2018-01-21 01:07:50 · 9784 阅读 · 4 评论 -
Caffe训练cifar10数据集
一:目的用配置好的Windows版本Caffe(no GPU),训练cifar10数据;二:cifar10简介Cifar-10由60000张32*32的RGB彩色图片构成,共10个分类。50000张训练,10000张测试(交叉验证)。这个数据集最大的特点在于将识别迁移到了普适物体,而且应用于多分类(姊妹数据集Cifar-100达到100类,ILSVRC比赛则是100原创 2018-01-21 01:08:38 · 1387 阅读 · 1 评论