《深度学习——实战caffe》——模型各层数据和参数可视化

最新推荐文章于 2022-10-05 09:39:51 发布
最新推荐文章于 2022-10-05 09:39:51 发布
阅读量533 收藏
点赞数
分类专栏： 深度学习 caffe
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/qq_33144323/article/details/80634477
版权

先用caffe对cifar10进行训练，将训练的结果模型进行保存，得到一个caffemodel，然后从测试图片中选出一张进行测试，并进行可视化。

代码：

1.

#加载必要的库
import numpy as np
import matplotlib.pyplot as plt    #matplotlib inline
import sys,os,caffe

# 设置当前目录，判断模型是否训练好
caffe_root = '/caffe/'
sys.path.insert(0, caffe_root + 'python')
os.chdir(caffe_root)
if not os.path.isfile(caffe_root + 'examples/cifar10/cifar10_quick_iter_4000.caffemodel'):
    print("caffemodel is not exist...")


if __name__ == '__main__':

    # 利用提前训练好的模型，设置测试网络
    caffe.set_mode_cpu()
    net = caffe.Net(caffe_root + 'examples/cifar10/cifar10_quick.prototxt',
                    caffe_root + 'examples/cifar10/cifar10_quick_iter_4000.caffemodel',
                    caffe.TEST)

    print(net.blobs['data'].data.shape)

结果如下：

(1, 3, 32, 32)

2.

#加载必要的库
import numpy as np
import matplotlib.pyplot as plt    #matplotlib inline
import sys,os,caffe

# 设置当前目录，判断模型是否训练好
caffe_root = '/caffe/'
sys.path.insert(0, caffe_root + 'python')
os.chdir(caffe_root)
if not os.path.isfile(caffe_root + 'examples/cifar10/cifar10_quick_iter_4000.caffemodel'):
    print("caffemodel is not exist...")


if __name__ == '__main__':

    # 利用提前训练好的模型，设置测试网络
    caffe.set_mode_cpu()
    net = caffe.Net(caffe_root + 'examples/cifar10/cifar10_quick.prototxt',
                    caffe_root + 'examples/cifar10/cifar10_quick_iter_4000.caffemodel',
                    caffe.TEST)

    print(net.blobs['data'].data.shape)

    # 加载测试图片，并显示
    im = caffe.io.load_image('examples/images/cat.jpg')
    print(im.shape)
    plt.imshow(im)
    plt.axis('off')
    plt.show()

就会显示图片

3.

#加载必要的库
import numpy as np
import matplotlib.pyplot as plt    #matplotlib inline
import sys,os,caffe

# 设置当前目录，判断模型是否训练好
caffe_root = '/caffe/'
sys.path.insert(0, caffe_root + 'python')
os.chdir(caffe_root)
if not os.path.isfile(caffe_root + 'examples/cifar10/cifar10_quick_iter_4000.caffemodel'):
    print("caffemodel is not exist...")



#　编写一个函数，将二进制的均值转换为python的均值
def convert_mean(binMean,npyMean):
    blob = caffe.proto.caffe_pb2.BlobProto()
    bin_mean = open(binMean, 'rb' ).read()
    blob.ParseFromString(bin_mean)
    arr = np.array( caffe.io.blobproto_to_array(blob))
    npy_mean = arr[0]
    np.save(npyMean, npy_mean )


if __name__ == '__main__':

    # 利用提前训练好的模型，设置测试网络
    caffe.set_mode_cpu()
    net = caffe.Net(caffe_root + 'examples/cifar10/cifar10_quick.prototxt',
                    caffe_root + 'examples/cifar10/cifar10_quick_iter_4000.caffemodel',
                    caffe.TEST)

    print(net.blobs['data'].data.shape)

    # 加载测试图片，并显示
    im = caffe.io.load_image('examples/images/cat.jpg')
    print(im.shape)
    plt.imshow(im)
    plt.axis('off')
    plt.show()

    binMean = '/home/jinhanjun/caffe/examples/cifar10/mean.binaryproto'
    npyMean = '/home/jinhanjun/caffe/examples/cifar10/mean.npy'
    convert_mean(binMean, npyMean)

    # 将图片载入blob中,并减去均值
    transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
    transformer.set_transpose('data', (2, 0, 1))
    transformer.set_mean('data', np.load(npyMean).mean(1).mean(1))  # 减去均值
    transformer.set_raw_scale('data', 255)
    transformer.set_channel_swap('data', (2, 1, 0))
    net.blobs['data'].data[...] = transformer.preprocess('data', im)
    inputData = net.blobs['data'].data

    # 显示减去均值前后的数据
    plt.figure()
    plt.subplot(1, 2, 1), plt.title("origin")
    plt.imshow(im)
    plt.axis('off')
    plt.subplot(1, 2, 2), plt.title("subtract mean")
    plt.imshow(transformer.deprocess('data', inputData[0]))
    plt.axis('off')
    plt.show()

结果如下：

(360, 480, 3)

4.

#加载必要的库
import numpy as np
import matplotlib.pyplot as plt    #matplotlib inline
import sys,os,caffe

# 设置当前目录，判断模型是否训练好
caffe_root = '/caffe/'
sys.path.insert(0, caffe_root + 'python')
os.chdir(caffe_root)
if not os.path.isfile(caffe_root + 'examples/cifar10/cifar10_quick_iter_4000.caffemodel'):
    print("caffemodel is not exist...")



#　编写一个函数，将二进制的均值转换为python的均值
def convert_mean(binMean,npyMean):
    blob = caffe.proto.caffe_pb2.BlobProto()
    bin_mean = open(binMean, 'rb' ).read()
    blob.ParseFromString(bin_mean)
    arr = np.array( caffe.io.blobproto_to_array(blob))
    npy_mean = arr[0]
    np.save(npyMean, npy_mean )


if __name__ == '__main__':

    # 利用提前训练好的模型，设置测试网络
    caffe.set_mode_cpu()
    net = caffe.Net(caffe_root + 'examples/cifar10/cifar10_quick.prototxt',
                    caffe_root + 'examples/cifar10/cifar10_quick_iter_4000.caffemodel',
                    caffe.TEST)

    print(net.blobs['data'].data.shape)

    # 加载测试图片，并显示
    im = caffe.io.load_image('examples/images/cat.jpg')
    print(im.shape)
    plt.imshow(im)
    plt.axis('off')
    plt.show()

    binMean = '/home/jinhanjun/caffe/examples/cifar10/mean.binaryproto'
    npyMean = '/home/jinhanjun/caffe/examples/cifar10/mean.npy'
    convert_mean(binMean, npyMean)

    # 将图片载入blob中,并减去均值
    transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
    transformer.set_transpose('data', (2, 0, 1))
    transformer.set_mean('data', np.load(npyMean).mean(1).mean(1))  # 减去均值
    transformer.set_raw_scale('data', 255)
    transformer.set_channel_swap('data', (2, 1, 0))
    net.blobs['data'].data[...] = transformer.preprocess('data', im)
    inputData = net.blobs['data'].data

    # 显示减去均值前后的数据
    plt.figure()
    plt.subplot(1, 2, 1), plt.title("origin")
    plt.imshow(im)
    plt.axis('off')
    plt.subplot(1, 2, 2), plt.title("subtract mean")
    plt.imshow(transformer.deprocess('data', inputData[0]))
    plt.axis('off')
    plt.show()

    # 运行测试模型，并显示各层数据信息
    net.forward()
    print([(k, v.data.shape) for k, v in net.blobs.items()])

    # 显示各层的参数信息
    print([(k, v[0].data.shape) for k, v in net.params.items()])

    plt.rcParams['figure.figsize'] = (8, 8)
    plt.rcParams['image.interpolation'] = 'nearest'
    plt.rcParams['image.cmap'] = 'gray'

结果如下：

[('data', (1, 3, 32, 32)), ('conv1', (1, 32, 32, 32)), ('pool1', (1, 32, 16, 16)), ('conv2', (1, 32, 16, 16)), ('pool2', (1, 32, 8, 8)), ('conv3', (1, 64, 8, 8)), ('pool3', (1, 64, 4, 4)), ('ip1', (1, 64)), ('ip2', (1, 10)), ('prob', (1, 10))]

[('conv1', (32, 3, 5, 5)), ('conv2', (32, 32, 5, 5)), ('conv3', (64, 32, 5, 5)), ('ip1', (64, 1024)), ('ip2', (10, 64))]

5.

#加载必要的库
import numpy as np
import matplotlib.pyplot as plt    #matplotlib inline
import sys,os,caffe

# 设置当前目录，判断模型是否训练好
caffe_root = '/caffe/'
sys.path.insert(0, caffe_root + 'python')
os.chdir(caffe_root)
if not os.path.isfile(caffe_root + 'examples/cifar10/cifar10_quick_iter_4000.caffemodel'):
    print("caffemodel is not exist...")



#　编写一个函数，将二进制的均值转换为python的均值
def convert_mean(binMean,npyMean):
    blob = caffe.proto.caffe_pb2.BlobProto()
    bin_mean = open(binMean, 'rb' ).read()
    blob.ParseFromString(bin_mean)
    arr = np.array( caffe.io.blobproto_to_array(blob))
    npy_mean = arr[0]
    np.save(npyMean, npy_mean )


# 　编写一个函数，用于显示各层数据
def show_data(data, padsize=1, padval=0):
    data -= data.min()
    data /= data.max()

    # force the number of filters to be square
    n = int(np.ceil(np.sqrt(data.shape[0])))
    padding = ((0, n ** 2 - data.shape[0]), (0, padsize), (0, padsize)) + ((0, 0),) * (data.ndim - 3)
    data = np.pad(data, padding, mode='constant', constant_values=(padval, padval))

    # tile the filters into an image
    data = data.reshape((n, n) + data.shape[1:]).transpose((0, 2, 1, 3) + tuple(range(4, data.ndim + 1)))
    data = data.reshape((n * data.shape[1], n * data.shape[3]) + data.shape[4:])
    plt.figure()
    plt.imshow(data, cmap='gray')
    plt.axis('off')
    plt.show()

if __name__ == '__main__':

    # 利用提前训练好的模型，设置测试网络
    caffe.set_mode_cpu()
    net = caffe.Net(caffe_root + 'examples/cifar10/cifar10_quick.prototxt',
                    caffe_root + 'examples/cifar10/cifar10_quick_iter_4000.caffemodel',
                    caffe.TEST)

    print(net.blobs['data'].data.shape)

    # 加载测试图片，并显示
    im = caffe.io.load_image('examples/images/cat.jpg')

    binMean = '/home/jinhanjun/caffe/examples/cifar10/mean.binaryproto'
    npyMean = '/home/jinhanjun/caffe/examples/cifar10/mean.npy'
    convert_mean(binMean, npyMean)

    # 将图片载入blob中,并减去均值
    transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
    transformer.set_transpose('data', (2, 0, 1))
    transformer.set_mean('data', np.load(npyMean).mean(1).mean(1))  # 减去均值
    transformer.set_raw_scale('data', 255)
    transformer.set_channel_swap('data', (2, 1, 0))
    net.blobs['data'].data[...] = transformer.preprocess('data', im)
    inputData = net.blobs['data'].data


    # 运行测试模型，并显示各层数据信息
    net.forward()
    print([(k, v.data.shape) for k, v in net.blobs.items()])

    # 显示各层的参数信息
    print([(k, v[0].data.shape) for k, v in net.params.items()])

    plt.rcParams['figure.figsize'] = (8, 8)
    plt.rcParams['image.interpolation'] = 'nearest'
    plt.rcParams['image.cmap'] = 'gray'

    # 显示第一个卷积层的输出数据和权值（filter）
    show_data(net.blobs['conv1'].data[0])
    print(net.blobs['conv1'].data.shape)
    show_data(net.params['conv1'][0].data.reshape(32 * 3, 5, 5))
    print(net.params['conv1'][0].data.shape)

结果如下：

(1, 32, 32, 32)
(32, 3, 5, 5)

6.

#加载必要的库
import numpy as np
import matplotlib.pyplot as plt    #matplotlib inline
import sys,os,caffe

# 设置当前目录，判断模型是否训练好
caffe_root = '/caffe/'
sys.path.insert(0, caffe_root + 'python')
os.chdir(caffe_root)
if not os.path.isfile(caffe_root + 'examples/cifar10/cifar10_quick_iter_4000.caffemodel'):
    print("caffemodel is not exist...")



#　编写一个函数，将二进制的均值转换为python的均值
def convert_mean(binMean,npyMean):
    blob = caffe.proto.caffe_pb2.BlobProto()
    bin_mean = open(binMean, 'rb' ).read()
    blob.ParseFromString(bin_mean)
    arr = np.array( caffe.io.blobproto_to_array(blob))
    npy_mean = arr[0]
    np.save(npyMean, npy_mean )


# 　编写一个函数，用于显示各层数据
def show_data(data, padsize=1, padval=0):
    data -= data.min()
    data /= data.max()

    # force the number of filters to be square
    n = int(np.ceil(np.sqrt(data.shape[0])))
    padding = ((0, n ** 2 - data.shape[0]), (0, padsize), (0, padsize)) + ((0, 0),) * (data.ndim - 3)
    data = np.pad(data, padding, mode='constant', constant_values=(padval, padval))

    # tile the filters into an image
    data = data.reshape((n, n) + data.shape[1:]).transpose((0, 2, 1, 3) + tuple(range(4, data.ndim + 1)))
    data = data.reshape((n * data.shape[1], n * data.shape[3]) + data.shape[4:])
    plt.figure()
    plt.imshow(data, cmap='gray')
    plt.axis('off')
    plt.show()

if __name__ == '__main__':

    # 利用提前训练好的模型，设置测试网络
    caffe.set_mode_cpu()
    net = caffe.Net(caffe_root + 'examples/cifar10/cifar10_quick.prototxt',
                    caffe_root + 'examples/cifar10/cifar10_quick_iter_4000.caffemodel',
                    caffe.TEST)

    print(net.blobs['data'].data.shape)

    # 加载测试图片，并显示
    im = caffe.io.load_image('examples/images/cat.jpg')

    binMean = '/home/jinhanjun/caffe/examples/cifar10/mean.binaryproto'
    npyMean = '/home/jinhanjun/caffe/examples/cifar10/mean.npy'
    convert_mean(binMean, npyMean)

    # 将图片载入blob中,并减去均值
    transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
    transformer.set_transpose('data', (2, 0, 1))
    transformer.set_mean('data', np.load(npyMean).mean(1).mean(1))  # 减去均值
    transformer.set_raw_scale('data', 255)
    transformer.set_channel_swap('data', (2, 1, 0))
    net.blobs['data'].data[...] = transformer.preprocess('data', im)
    inputData = net.blobs['data'].data


    # 运行测试模型，并显示各层数据信息
    net.forward()
    print([(k, v.data.shape) for k, v in net.blobs.items()])

    # 显示各层的参数信息
    print([(k, v[0].data.shape) for k, v in net.params.items()])

    plt.rcParams['figure.figsize'] = (8, 8)
    plt.rcParams['image.interpolation'] = 'nearest'
    plt.rcParams['image.cmap'] = 'gray'

    # 显示第一次pooling后的输出数据
    show_data(net.blobs['pool1'].data[0])
    print(net.blobs['pool1'].data.shape)

    # 显示第二次卷积后的输出数据以及相应的权值（filter）
    show_data(net.blobs['conv2'].data[0], padval=0.5)
    print(net.blobs['conv2'].data.shape)
    show_data(net.params['conv2'][0].data.reshape(32 ** 2, 5, 5))
    print(net.params['conv2'][0].data.shape)

    # 显示第三次卷积后的输出数据以及相应的权值（filter）,取前１024个进行显示
    show_data(net.blobs['conv3'].data[0], padval=0.5)
    print(net.blobs['conv3'].data.shape)
    show_data(net.params['conv3'][0].data.reshape(64 * 32, 5, 5)[:1024])
    print(net.params['conv3'][0].data.shape)

    # 显示第三次池化后的输出数据
    show_data(net.blobs['pool3'].data[0], padval=0.2)
    print(net.blobs['pool3'].data.shape)

结果如下

# 显示第一次pooling后的输出数据

(1, 32, 16, 16)

# 显示第二次卷积后的输出数据以及相应的权值（filter）
(1, 32, 16, 16)

(32, 32, 5, 5)

# 显示第三次卷积后的输出数据以及相应的权值（filter）,取前１024个进行显示
(1, 64, 8, 8)

(64, 32, 5, 5)



# 显示第三次池化后的输出数据
(1, 64, 4, 4)

7.

#加载必要的库
import numpy as np
import matplotlib.pyplot as plt    #matplotlib inline
import sys,os,caffe

# 设置当前目录，判断模型是否训练好
caffe_root = '/caffe/'
sys.path.insert(0, caffe_root + 'python')
os.chdir(caffe_root)
if not os.path.isfile(caffe_root + 'examples/cifar10/cifar10_quick_iter_4000.caffemodel'):
    print("caffemodel is not exist...")



#　编写一个函数，将二进制的均值转换为python的均值
def convert_mean(binMean,npyMean):
    blob = caffe.proto.caffe_pb2.BlobProto()
    bin_mean = open(binMean, 'rb' ).read()
    blob.ParseFromString(bin_mean)
    arr = np.array( caffe.io.blobproto_to_array(blob))
    npy_mean = arr[0]
    np.save(npyMean, npy_mean )


# 　编写一个函数，用于显示各层数据
def show_data(data, padsize=1, padval=0):
    data -= data.min()
    data /= data.max()

    # force the number of filters to be square
    n = int(np.ceil(np.sqrt(data.shape[0])))
    padding = ((0, n ** 2 - data.shape[0]), (0, padsize), (0, padsize)) + ((0, 0),) * (data.ndim - 3)
    data = np.pad(data, padding, mode='constant', constant_values=(padval, padval))

    # tile the filters into an image
    data = data.reshape((n, n) + data.shape[1:]).transpose((0, 2, 1, 3) + tuple(range(4, data.ndim + 1)))
    data = data.reshape((n * data.shape[1], n * data.shape[3]) + data.shape[4:])
    plt.figure()
    plt.imshow(data, cmap='gray')
    plt.axis('off')
    plt.show()

if __name__ == '__main__':

    # 利用提前训练好的模型，设置测试网络
    caffe.set_mode_cpu()
    net = caffe.Net(caffe_root + 'examples/cifar10/cifar10_quick.prototxt',
                    caffe_root + 'examples/cifar10/cifar10_quick_iter_4000.caffemodel',
                    caffe.TEST)

    print(net.blobs['data'].data.shape)

    # 加载测试图片，并显示
    im = caffe.io.load_image('examples/images/cat.jpg')

    binMean = '/home/jinhanjun/caffe/examples/cifar10/mean.binaryproto'
    npyMean = '/home/jinhanjun/caffe/examples/cifar10/mean.npy'
    convert_mean(binMean, npyMean)

    # 将图片载入blob中,并减去均值
    transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
    transformer.set_transpose('data', (2, 0, 1))
    transformer.set_mean('data', np.load(npyMean).mean(1).mean(1))  # 减去均值
    transformer.set_raw_scale('data', 255)
    transformer.set_channel_swap('data', (2, 1, 0))
    net.blobs['data'].data[...] = transformer.preprocess('data', im)
    inputData = net.blobs['data'].data


    # 运行测试模型，并显示各层数据信息
    net.forward()

    # 最后一层输入属于某个类的概率
    feat = net.blobs['prob'].data[0]
    print(feat)
    plt.plot(feat.flat)
    plt.show()

结果如下：

[3.28575290e-04 1.57012579e-07 1.80032570e-02 1.86203688e-01
 7.65367627e-01 3.53409094e-03 1.26916012e-02 1.37463259e-02

 5.14444309e-06 1.19615484e-04]

判断为猫


参考博文：https://www.cnblogs.com/denny402/p/5105911.html

频率52HZ
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
深度学习_21天实战Caffe.pdf
chenxuanhanhao的专栏
08-14 2838
深度学习_21天实战Caffe.pdf 原 深度学习21天实战caffe学习笔记《1:深度学习的过往》 1. 深度学习DL： 1.1、有监督学习、无监督学习、过拟合、训练样本、泛化、训练集、验证集、测试集这些和深度学习有关的知识需要实现明白，这里有一个深度学习的资料你们可以去下载； http://download.csdn.net/detail/julialove102123...
深度学习_21天实战Caffe+Caffe之经典模型详解与实战 (pdf文件 带书签)
04-11
《深度学习：21天实战Caffe+Caffe之经典模型详解与实战》是一本专注于Caffe框架的深度学习实践指南，旨在帮助读者快速掌握Caffe并应用到实际项目中。Caffe是目前广泛使用的深度学习库之一，以其高效、易用和模块化的...
《深度学习——实战caffe》——caffe可视化方法python版
IT人生
04-22 527
（python3.6.4+caffe+pycharm）一、数据可视化1、mnist数据可视化      1）、训练样本可视化      首先要打开pycharm      新建python文件1.py，代码输入： # -*- coding: utf-8 -* import numpy as np import struct from PIL import Image import os dat...
《深度学习——实战caffe》——caffemodel可视化
IT人生
06-08 378
通过前面的学习，我们已经能够正常训练各种数据了。设置好solver.prototxt后，我们可以把训练好的模型保存起来，如lenet_iter_10000.caffemodel。训练多少次就自动保存一下，这个是通过snapshot进行设置的，保存文件的路径及文件名前缀是由snapshot_prefix来设定的。这个文件里面存放的就是各层的参数，即net.params，里面没有数据(net.blob...
《深度学习——实战caffe》——计算图片数据的均值
IT人生
06-08 206
 图片减去均值后，再进行训练和测试，会提高速度和精度。因此，一般在各种模型中都会有这个操作。那么这个均值怎么来的呢，实际上就是计算所有训练样本的平均值，计算出来后，保存为一个均值文件，在以后的测试中，就可以直接使用这个均值来相减，而不需要对测试图片重新计算。一、二进制格式的均值计算caffe中使用的均值数据格式是binaryproto, 作者为我们提供了一个计算均值的文件compute_image...
《深度学习——实战caffe》——如何将别人训练好的model用到自己的数据上
IT人生
06-10 2107
因设备原因只能先转载http://www.cnblogs.com/denny402/p/5137534.html。留存。好记性不如烂笔头caffe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己的图片想进行分类，但样本量太小，可能只有几百张，而一般深度学习都要求样本量在1万...
《深度学习——实战caffe》——caffe图形化操作工具digits的安装与运行
IT人生
06-10 320
因为我的电脑没有显卡，所以先转载作者的文章，留作以后参考使用：nvidia digits是一款web应用工具，在网页上对caffe进行图形化操作和可视化，用于caffe初学者来说，帮助非常大。不过有点遗憾的是，据nvidia官方文档称，digits最佳支持系统是ubuntu 14.04，其它的系统效果如何，就不得而知了。一、安装digits 3.0digits是运行在cuda和caffe基础上的，...
《深度学习——实战caffe》——python接口学习（3）：训练模型（training)
IT人生
06-10 440
如果不进行可视化，只想得到一个最终的训练model, 那么代码非常简单，如下 :import caffe caffe.set_device(0) caffe.set_mode_gpu() solver = caffe.SGDSolver('/home/xxx/data/solver.prototxt') solver.solve()如果是cpu，则改为mode_cpu()...
《深度学习——实战caffe》——用训练好的caffemodel来进行分类
IT人生
06-10 221
caffe程序自带有一张小猫图片，存放路径为caffe根目录下的 examples/images/cat.jpg, 如果我们想用一个训练好的caffemodel来对这张图片进行分类，那该怎么办呢？ 如果不用这张小猫图片，换一张别的图片，又该怎么办呢？如果学会了小猫图片的分类，那么换成其它图片，程序实际上是一样的。开发caffe的贾大牛团队，利用imagenet图片和caffenet模型训练好了一个...
数据分析可视化01 掌握数字化转型时代的必备技能
最新发布
fegus的博客
10-05 964
本课时，我为你详细介绍了数据分析、数据挖掘、数据可视化和数据可视化分析的概念和体系结构，旨在让你对于数据可视化分析有一个明确的认知。明确了它们的概念，再回到我在本课时一开始提到的业务案例，你是否已经有了明确的答案呢？不妨结合我讲述的知识体系，尝试着寻找答案。欢迎你将你的思考写在留言区，与我和其他同学进行讨论。
深度学习++Caffe之经典模型详解与实战
07-28
深度学习++Caffe之经典模型详解与实战，该书描述了Caffe中一些具体的wan网络结构，入门Caffe的必备工具。
深度学习caffe实战
12-22
Caffe（Convolutional Architecture for Fast Feature Embedding）是由Berkeley Vision and Learning Center开发的一款深度学习框架，以其高效、灵活和易用性在学术界和工业界广泛应用。 《深度学习Caffe实战》这...
centos yum install没有可用软件包
热门推荐
IT人生
12-31 1万+
yum install epel-release; 然后再试试yum install 其他安装包
recipe for target '.build_release/lib/libcaffe.so.1.0.0' failed
IT人生
08-16 9681
LD -o .build_release/lib/libcaffe.so.1.0.0 /usr/bin/ld: cannot find -lhdf5_hl /usr/bin/ld: cannot find -lhdf5 collect2: error: ld returned 1 exit status Makefile:572: recipe for target '.build_release...
解决：.build_release/src/caffe/proto/caffe.pb.h:22:35: fatal error: google/protobuf/arena.h: 没有那个文件或目录
IT人生
07-28 8495
安装anaconda后，原本可编译的caffe出现.build_release/src/caffe/proto/caffe.pb.h:22:35: fatal error: google/protobuf/arena.h: 没有那个文件或目录，这样的错误 这是由于protobuf的版本不对导致的，caffe能正确使用的是protobuf-2.6.1版本，而安装anaconda后环境变量改变，默认...
配置了libboost_system.so.1.67.0 但还是显示找不到
IT人生
08-22 7443
sudo vi /etc/ld.so.conf #添加向ld.so.conf文件中添加libboost_system.so.1.67.0所在的目录路径 #  sudo ldconfig
/usr/bin/ld:/usr/local/cuda/lib64/libcudnn.so: file format not recognized; treating as linker script
IT人生
12-31 5901
/usr/bin/ld:/usr/local/cuda/lib64/libcudnn.so: file format not recognized; treating as linker script  /usr/bin/ld:/usr/local/cuda/lib64/libcudnn.so:1: syntax error  collect2: error: ld returned 1 exit...
ImportError: libboost_python36.so.1.67.0: cannot open shared object file: No such file or directory
IT人生
01-01 5866
$ export LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH  
Caffe网络模型深度解析：数据层详解
在Caffe深度学习框架中，网络模型是由多个层（layer）组成的，每个层都有特定的功能，并通过Blobs进行数据传递。理解和配置Caffe的prototxt文件是使用Caffe进行模型构建的关键。数据层（Data Layer）作为模型的入口...
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