2017年05月_四海龙王Black

08月 07月 06月 05月

原创 DeepLearning（基于caffe）优化策略（1）--Normalization篇：BN、WN、LN

我们知道，深度学习是一种高性能的解决模式识别问题的模型算法，尤其是在计算机视觉方面，但随之而来的，对深度学习进行优化也成为了一个大家讨论的话题。这次总结的是三种深度学习的Normalization。

2017-05-31 11:01:04 2041

原创 DeepLearning（基于caffe）实战项目（9）--Python测试训练好的model

之前曾用Matlab测试训练好的model（详细见：http://blog.csdn.net/sihailongwang/article/details/72700482），现在打算用Python测试训练好的model，这里用imagenet为例。

2017-05-30 10:27:55 774

原创 DeepLearning（基于caffe）实战项目（8）--修改caffe源代码从添加loss(层)函数开始

在caffe中摸爬滚打了一个多月了，修改caffe源代码，早就想练练手了，loss层是一个比较独立的一个层，而且可以仿照caffe给的样例进行添加，难度会稍微小点。

2017-05-27 19:03:32 4266 5

原创 DeepLearning（基于caffe）实战项目（7）--从caffe结构里函数总结一览caffe

我觉得学习caffe，必须得做到会修改源码，刚开始可以不需要知道所有的函数是如何实现的，但必须得知道里边都有哪些函数，这些函数都可以干什么。用网上流行的比喻：Blobs,Layers,Nets的关系就好比，Blob是砖块，Layer是墙，net是一栋大楼。Blob:Blob是一个模板类，在内存中表示4维数组，维度从低到高为：width、height、channels（颜色通道）、num

2017-05-27 14:38:37 1291 1

原创 DeepLearning（基于caffe）实战项目（6）--探索leNet模型的真谛

到目前为止，我们训好了模型，测试了模型，也知道如何看学习曲线，那么就很好奇，通过怎么个流程，能让一幅图片转换成了一个结果（数字），接下来将一探究竟。首先，需要明确的是我们训练集是60000张32*32的图片，测试集是10000张32*32的图片。

2017-05-26 11:26:19 603

原创 DeepLearning（基于caffe）实战项目（5）--Matlab画学习（Loss）曲线

话说，我们的model也训练好了，也能进行相应的（分类）预测了，但是怎么才能判断我们的model拟合的到底好还是不好呢，如何才能很直观的看出我们model拟合的怎么样，这样，我们就需要从训练日志里找寻相应的（Loss）值，然后画出曲线，在网上，我找了找看有没有现成的代码，发现，大部分都是用原有的Python程序，于是我打算用matlab自己写一个画学习曲线的程序。

2017-05-25 18:48:27 3066 4

原创 DeepLearning（基于caffe）实战项目（4）--Matlab测试训练好的model

好了，现在我们已经训练好自己的model，如何用这个model去预测我们待测样本的标签，就成了一个需要解决的问题。这里我们主要说的是Matlab程序调用训练好的model来预测标签。但是在说这个之前，有必要说说如何用caffe文件中的classification.exe

2017-05-24 19:24:42 2245

原创 DeepLearning（基于caffe）实战项目（3）--我们关心的caffe输出

经过这一通训练，总算可以得到相应的模型了（具体操作网上已经烂大街了），我们要是修改caffe参数，甚至是修改caffe内部程序，必须是以输出结果为动力，现在我们就看看我们关心的caffe输出都有哪些，虽然每一层都可以输出，但是我们最关心的有Loss层。深度学习就是通过最小化输出和目标的Loss来驱动的。值得注意的是：以mnist为例，我们所得到的ip2层已经是我们预测（分类/回归）的结果，

2017-05-23 20:04:05 1248