Caffe
文章平均质量分 69
Daisy_HJL
无论到哪里,都要记得带上自己的阳光!
展开
-
Caffe学习之测试mnist
以下为Caffe测试mnist数据的小总结,接上一次训练结果,希望对大家有帮助。原创 2017-03-07 13:51:52 · 474 阅读 · 0 评论 -
caffe训练时出错:Unknown bottom blob 'data' (layer 'conv1',bottom index 0)
大多数深度学习的训练是包含训练集的,也有一些不包含验证集的例子中,caffe的配置文件也会存在异同。下面是包含验证集的示例:而在一些无验证集的例子中,则要去掉“TEST”这一层,如下:但是,但你运行的时候,会出现以下错误:Unknown bottom blob 'data' (layer 'conv1',bottom index 0)这个错误的原因是原创 2017-12-28 22:26:31 · 5037 阅读 · 0 评论 -
Caffe训练测试时出现的错误:***check failure stack trace:***
Caffe训练测试时出现的错误:***check failure stack trace:***原创 2017-03-24 18:52:01 · 16322 阅读 · 5 评论 -
Caffe学习(3)——caffe中的视觉层及对应参数
Caffe的运行,首先要基于一个模型(model),比较常用的模型有Lenet、AlexNet、VGG等;一个模型有多个层构成,层有许多种类型,比如数据层(Data Layers)、视觉层(Vision Layers)、激活层(Activation Layers)等,每层对应着许多参数,这些参数都定义在caffe.proto这个配置文件中。数据层及其参数在前一篇文章已经介绍,这篇讨论了视觉层的相关知识。原创 2017-03-12 21:55:11 · 582 阅读 · 0 评论 -
Caffe学习(5)——其他常用层及参数
除了数据层、视觉层和激活层外,还有一些常用层,包括:softmax_loss layer,Inner Product layer,reshape layer和dropout layer。整理如下:1、softmax_losssoftmax-loss层和softmax层的计算大致相同。不过softmax是一个分类器,计算的是类别的概率,是逻辑回归(Logistics Regression)的原创 2017-09-15 14:16:22 · 351 阅读 · 0 评论 -
Caffe(10)——数据可视化环境配置(python接口)
Caffe程序是由C++语言写的,本身不带数据可视化功能,只能借助其他库或接口实现可视化,如:opencv、python、matlab。python的jupyter notebook(以前的名字为ipython notebook)能将python代码搬到浏览器上执行,以富文本方式显示,使得整个工作可以以笔记的形式展示、存储,对于交互式编程、学习非常方便,所以大部分人使用的是python接口进行可视原创 2017-09-16 15:10:20 · 1913 阅读 · 0 评论 -
Caffe总体架构
前面已经将Caffe搭建好,现在来介绍一下Caffe的具体知识。本人也在学习中,如有不精,请指点。原创 2017-03-08 09:02:49 · 3564 阅读 · 0 评论 -
Caffe学习(9)——计算图片数据的均值
在训练和测试之前,先对图片数据做去均值操作,会提高速度和精度。将所有训练样本的平均值保存在一个均值文件中,在之后测试时,可直接使用此均值文件,不需要对测试图片重新计算均值。均值计算有两种格式:二级制格式和python格式1、二进制格式均值计算caffe中使用的均值数据格式是binaryproto,caffe根目录下的tools文件夹里面存放着一个compute_image_原创 2017-09-16 14:17:43 · 1635 阅读 · 0 评论 -
Caffe学习(6)——solver及其配置
在前面的文章Caffe学习(1)中,我们已经介绍了solver的具体流程。它的主要作用是交替调用forward和backward算法来更新参数,来最小化loss,实际上就是一种迭代的优化算法。下面介绍caffe中求解最有参数的优化算法。Stochastic Gradient Descent(type:“SGD”)AdaDelta(type:"AdaDelta")Adaptive G原创 2017-09-15 16:48:45 · 1113 阅读 · 0 评论 -
Caffe学习(8)——训练和测试自己的图片
我们前面介绍的caffe自带的两个例子(mnist和cifar10)已经提供了相关配置文件,但是在后面的我们需要应用到自己的实际项目或科研中去。这里,我们熟悉一下整个流程:1、准备数据实际应用中,大多数时候,数据是要我们自己收集的。数据不够多时,我们一般会采用镜像、平移、旋转等方式对数据集进行数据增广。2、数据格式转换先获得图片清单列表,再将其转换为caffe能直接使用的格式;如C原创 2017-09-16 11:48:32 · 538 阅读 · 0 评论 -
Caffe学习(7)——图像数据转换为db文件(leveldb/lmdb)
在深度学习的实际应用中,我们经常用到的的原始数据是如jpg、png等格式的图片文件,而且图片的大小也可能不一致。而在caffe中经常使用的数据类型是lmdb或leveldb(当然还有其他格式,这里不做介绍),因此,我们需要将原始图片文件转换为caffe中能够运行的db文件。在caffe中,作者提供了一个存放在根目录tools文件夹下的convert_imageset.cpp的文件;编译之后,会原创 2017-09-16 10:55:19 · 1663 阅读 · 0 评论 -
#Caffe# Win10+VS2013+CUDA+Caffe
此文是Caffe的安装,包括安装需求、安装具体步骤及安装时所遇问题的解决方法。安装过程真是历经波折,最后终于安装成功,做一下总结,希望对学习Caffe的同胞们有所帮助。原创 2017-03-06 19:14:00 · 2675 阅读 · 0 评论 -
caffe,用VS2013生成解决方案error : CommonSettings.props not found!
caffe环境配置,生成解决方案时遇到的问题及对应解决方法原创 2017-03-23 08:53:55 · 4432 阅读 · 1 评论 -
错误 error C2220: 警告被视为错误 - 没有生成“object”文件 (..\..\src\caffe\util\math_functions.cpp)
安装caffe时遇到的问题及解决方法,希望对大家有用。原创 2017-03-11 20:18:07 · 26931 阅读 · 0 评论 -
Caffe学习(4)——caffe中的激活层及对应参数
Caffe的运行,首先要基于一个模型(model),比较常用的模型有Lenet、AlexNet、VGG等;一个模型有多个层构成,层有许多种类型,比如数据层(Data Layers)、视觉层(Vision Layers)、激活层(Activation Layers)等,每层对应着许多参数,这些参数都定义在caffe.proto这个配置文件中。数据层、视觉层在之前的文章中已经介绍,这篇讨论了激活层原创 2017-03-13 13:30:48 · 560 阅读 · 0 评论 -
Caffe学习(2)——caffe中的数据层及对应参数
Caffe的运行,首先要基于一个模型(model),比较常用的模型有Lenet、AlexNet、VGG等;一个模型有多个层构成,层有许多种类型,比如数据层(Data Layers)、视觉层(Vision Layers)、激活层(Activation Layers)等,每层对应着许多参数,这些参数都定义在caffe.proto这个配置文件中。接下来我们先介绍一下数据层。数据层原创 2017-03-12 17:07:49 · 946 阅读 · 0 评论 -
Caffe学习之训练mnist
此文介绍了Caffe的mnist数据集的训练步骤,希望对各位有用。原创 2017-03-07 09:25:07 · 895 阅读 · 0 评论 -
Caffe中的crop_layer层
Crop_layer是在Fully Convolutional Networks for Semantic Segmentation这篇论文中接触到的。我发现网络配置文件中使用到了Crop层。而Crop_layer层到底有什么作用呢?其实它主要是针对全卷积时,在原始图像上加了pad,致使图像比原始图像要大一些,最后我们利用这个crop层将pad裁剪掉。crop层主要作用是为了裁剪,那么它又是怎么进...原创 2018-03-20 09:40:08 · 4294 阅读 · 0 评论