caffe
文章平均质量分 79
努力努力再努力tq
耐心看,总会看懂的!
追求实现文献算法的快感,追求学会一个新算法的充实感。(from hjimce的专栏)
展开
-
caffe | 利用caffe训练图像多分类
学习的caffe的目的,不是简单的做几个练习,而是最终落实到自己的项目或科研中去。因此,本文介绍一下,从自己的原始图片到lmdb数据,再到训练和测试的整个流程。一、数据的准备 有条件的同学,可以去ImageNet的官网点击打开链接,下载ImageNet图片来训练。但是我没有下载,因为我注册过程中一直出现bug。 也可以去这个网盘(点击打开链接)下载图像数据,包括手写数字.jpg...转载 2018-06-06 13:40:38 · 2514 阅读 · 1 评论 -
caffe | caffe中的batchNorm层
链接: http://blog.csdn.net/wfei101/article/details/78449680caffe 中为什么bn层要和scale层一起使用这个问题首先你要理解batchnormal是做什么的。它其实做了两件事。1) 输入归一化 x_norm = (x-u)/std, 其中u和std是个累计计算的均值和方差。2)y=alpha×x_norm + beta,对归一化后的x进行...转载 2018-07-05 11:04:33 · 323 阅读 · 0 评论 -
caffe | 利用训练好的caffemodel进行测试
这是一个python脚本,用训练好的caffemodel来测试图片,接下来直接上代码,里面有详细解释,大部分你要修改的只是路径,另外在这个脚本的基础上你可以根据自己的需要进行改动。需要的东西:训练好的caffemodel,deploy.prototxt(可以从你的train.prototxt修改得到),可以用的caffe,待测试的图像(比如jpg)import syscaffe_root='/y...转载 2018-07-04 11:29:40 · 2314 阅读 · 0 评论 -
caffe | Concat层和Eltwise层对比解析
Concat层的作用就是将两个及以上的特征图按照在channel或num维度上进行拼接,并没有eltwise层的运算操作,举个例子,如果说是在channel维度上进行拼接conv_9和deconv_9的话,首先除了channel维度可以不一样,其余维度必须一致(也就是num、H、W一致),这时候所做的操作仅仅是conv_9 的channel k1加上deconv_9的channel k2,...转载 2018-06-20 11:04:53 · 11506 阅读 · 1 评论 -
轻量级网络 | DenseNet网络解析
论文:Densely Connected Convolutional Networks 论文链接:https://arxiv.org/pdf/1608.06993.pdf 代码的github链接:https://github.com/liuzhuang13/DenseNet MXNet版本代码(有ImageNet预训练模型): https://github.com/miraclewkf/Dense...转载 2018-06-26 17:08:37 · 2032 阅读 · 0 评论 -
caffe | 预训练模型的使用
首先明确预训练好的模型和自己的网络结构是有差异的,预训练模型的参数如何跟自己的网络匹配的呢:参考官网教程:http://caffe.berkeleyvision.org/gathered/examples/finetune_flickr_style.html–If we provide the weights argument to the caffe train comma...转载 2018-06-26 17:06:04 · 3314 阅读 · 0 评论 -
caffe | 经典网络的caffe实现资料汇总
自2012年Alexnet赢得了ImageNet竞赛以来,深度学习(神经网络)得到了飞速发展,产生了许多的神经网络结构,本文主要总结Caffe中使用的神经网络(分类的神经网络),本文的神经网络作者都使用Caffe训练过,并在Kaggle的Intel癌症预测比赛中进行了测试与使用(top 8%)。1. AlexnetAlexnet,2012年ImageNet竞赛冠军,深度学习的里程碑。网络结...转载 2018-06-29 16:24:32 · 392 阅读 · 0 评论 -
caffe | 反卷积
1.前言 传统的CNN网络只能给出图像的LABLE,但是在很多情况下需要对识别的物体进行分割实现end to end,然后FCN出现了,给物体分割提供了一个非常重要的解决思路,其核心就是卷积与反卷积,所以这里就详细解释卷积与反卷积。 对于1维的卷积,公式(离散)与计算过程(连续)如下,要记住的是其中一个函数(原函数或者卷积函数)在卷积前要翻转180度图1 对于离散卷积,f的大小是n...转载 2018-06-14 20:58:33 · 1056 阅读 · 3 评论 -
caffe | 用训练好的caffemodel来进行分类
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...转载 2018-06-07 14:38:40 · 668 阅读 · 0 评论 -
caffe | solver参数配置文件
solver算是caffe的核心的核心,它协调着整个模型的运作。caffe程序运行必带的一个参数就是solver配置文件。运行代码一般为# caffe train --solver=*_slover.prototxt在Deep Learning中,往往loss function是非凸的,没有解析解,我们需要通过优化方法来求解。solver的主要作用就是交替调用前向(forward)算法和后向(ba...转载 2018-06-07 14:37:07 · 195 阅读 · 0 评论 -
caffe | 数据层以及参数
要运行caffe,需要先创建一个模型(model),如比较常用的Lenet,Alex等, 而一个模型由多个屋(layer)构成,每一屋又由许多参数组成。所有的参数都定义在caffe.proto这个文件中。要熟练使用caffe,最重要的就是学会配置文件(prototxt)的编写。层有很多种类型,比如Data,Convolution,Pooling等,层之间的数据流动是以Blobs的...转载 2018-06-07 14:34:57 · 179 阅读 · 0 评论 -
caffe | 添加新的层(详细过程)
一、整体流程 针对caffe添加新的层,网上有许多教程,这里我们举一例子,假设我想实现如下功能:将一个wxhxc的特征图reshape成(w/sample_step) x (h/smple_step) x (c*sample_step*sample_step),也就是实现简单的每隔sample_step点下采,然后把所有的通道再拼起来,即channel的维度提高sample_step*s...原创 2018-07-12 16:52:21 · 8162 阅读 · 1 评论