CNN
IT远征军
这个作者很懒,什么都没留下…
展开
-
caffe中prototxt中各个层的解析
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的方式进行。转载 2017-03-15 09:48:37 · 6207 阅读 · 0 评论 -
caffe刚开始训练准确率很高,经过几次训练就达到饱和的原因
以我为例,我的分类任务只有2类,标类标的时候是从1开始,类标号是1,2。这样训练时,准确率很快就达到了饱和(其他操作都正确)。后来把类标2改为0之后,也就是说类标号从0开始的,然后再去训练网络,准确率就是一个慢慢收敛的过程,符合训练时的趋势。原因可能是分类任务的类标是从0开始的,所以类标号不能从1开始。原创 2017-06-04 22:25:20 · 4957 阅读 · 1 评论 -
caffe训练与微调时的区别
以AlexNet为例,当我们自己训练网络时,我们需要将第8层的网络结改为lr_mult:1,lr_mult:2,然后再去训练,并且我们需要修改第8层的名称;当我们微调时,需要将这两个参数分别乘以10,然后再去微调网络。PS: 查看自己训练网络准确率的语句:./build/tools/caffe test -model=./data/gray1/train_val.prototxt -wei原创 2017-06-04 22:17:04 · 984 阅读 · 0 评论 -
VGG 16 prototxt
solver.prototxt:[cpp] view plain copy print?net: "models/vgg16/train_val.prototxt" test_iter: 1000 test_interval: 2500 base_lr: 0.001 lr_policy: "step" gamma: 0.转载 2017-05-10 09:33:52 · 3041 阅读 · 0 评论 -
去均值操作及初始化权重的作用
如果做过dnn的实验,大家可能会发现在对数据进行预处理,例如白化或者zscore,甚至是简单的减均值操作都是可以加速收敛的,例如下图所示的一个简单的例子: 图中红点代表2维的数据点,由于图像数据的每一维一般都是0-255之间的数字,因此数据点只会落在第一象限,而且图像数据具有很强的相关性,比如第一个灰度值为30,比较黑,那它旁边的一个像素值一般不会超过100,否则给人的感觉就像噪声一转载 2017-05-12 15:52:53 · 7506 阅读 · 0 评论 -
如何在caffe中添加新的Layer
转自:http://blog.csdn.net/kuaitoukid/article/details/41865803 本文分为两部分,先写一个入门的教程,然后再给出自己添加maxout与NIN的layer的方法(一)其实在Github上已经有答案了(https://github.com/BVLC/caffe/issues/684)Here's roughl转载 2017-03-15 09:58:16 · 543 阅读 · 0 评论 -
使用caffe进行CNN试验
1. 数据准备在readme.md中,调用find “pwd”(表示当前目录)(处理数据的路径)-type f……;> (需要存储的路径)/temp.txt注意:修改路径。在数据文件下生成temp.txt文件(注意将生成的temp.txt文件中的.txt文件删掉,没有最好),再将temp.txt文件里的图片数据后边加上相应的类别,此时调用set “s/$/ 0(表示后边加原创 2016-09-24 16:22:39 · 500 阅读 · 0 评论 -
cs231n学习笔记-CNN-目标检测、定位、分割
1. 基本概念 1)CNN:Convolutional Neural Networks 2)FC:Fully Connected 3)IoU:Intersection over Union (IoU的值定义:Region Proposal与Ground Truth的窗口的交集比并集的比值,如果IoU低于0.5,那么相当于目标还是没有检测到) 4)ICCV:转载 2016-11-27 20:16:40 · 726 阅读 · 0 评论 -
基于深度学习的人脸识别系统系列(Caffe+OpenCV+Dlib)——【三】使用Caffe的MemoryData层与VGG网络模型提取Mat的特征
原文地址:http://m.blog.csdn.net/article/details?id=52456548前言基于深度学习的人脸识别系统,一共用到了5个开源库:OpenCV(计算机视觉库)、Caffe(深度学习库)、Dlib(机器学习库)、libfacedetection(人脸检测库)、cudnn(gpu加速库)。 用到了一个开源的深度学习模型:VGG model。转载 2016-12-17 10:40:34 · 3042 阅读 · 2 评论 -
Network in Network 网络分析
《Network in Network》论文笔记1.综述这篇文章有两个很重要的观点:1×1卷积的使用 文中提出使用mlpconv网络层替代传统的convolution层。mlp层实际上是卷积加传统的mlp(多层感知器),因为convolution是线性的,而mlp是非线性的,后者能够得到更高的抽象,泛化能力更强。在跨通道(cross channel,cross featur转载 2017-03-14 15:09:31 · 1105 阅读 · 0 评论 -
caffe中各个层解析
本文只讲解视觉层(Vision Layers)的参数,视觉层包括Convolution, Pooling, Local Response Normalization (LRN), im2col等层。1、Convolution层:就是卷积层,是卷积神经网络(CNN)的核心层。层类型:Convolution lr_mult: 学习率的系数,最终的学习率是这个数乘以so转载 2017-03-15 09:43:34 · 645 阅读 · 0 评论 -
利用 caffe 接口构建 CNN 网络
我的研究重点原本是在 Torch 上,我也很喜欢用 Torch 去实现网络。但最近不得不转到 caffe 上。在实现上篇博文:论文阅读:Reading Text in the Wild with Convolutional Neural Networks 的代码时,在 Bounding Box Regression 部分,需要用 caffe 来实现这个网络。而一开始我构建论文中转载 2017-08-23 14:36:27 · 459 阅读 · 0 评论