caffe不支持relu6_Matlab 使用caffe示例

于 2021-01-14 16:45:51 发布
阅读量74 收藏
点赞数
文章标签： caffe不支持relu6
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/weixin_33547979/article/details/112953988
版权

环境: Ubuntu 12.04 ,  Matlab 2013b

1. 首先修改Makefile.config中的MATLAB_DIR项， 如下所示

MATLAB_DIR := /u01/MATLAB/R2013b

2. 编译下caffe下的matlab接口

make matcaffe

3. 切换到目录/u01/caffe/examples/imagenet， 运行./get_caffe_reference_imagenet_model.sh下载训练的模型

4. 切换到目录/u01/caffe/matlab/caffe下，运行matlab调用caffe的示例，

matlab -nodisplay

>> run('matcaffe_demo.m')

......

layers {

bottom: "conv4"

top: "conv4"

name: "relu4"

type: RELU

}

layers {

bottom: "conv4"

top: "conv5"

name: "conv5"

type: CONVOLUTION

convolution_param {

num_output: 256

pad: 1

kernel_size: 3

group: 2

}

}

layers {

bottom: "conv5"

top: "conv5"

name: "relu5"

type: RELU

}

layers {

bottom: "conv5"

top: "pool5"

name: "pool5"

type: POOLING

pooling_param {

pool: MAX

kernel_size: 3

stride: 2

}

}

layers {

bottom: "pool5"

top: "fc6"

name: "fc6"

type: INNER_PRODUCT

inner_product_param {

num_output: 4096

}

}

layers {

bottom: "fc6"

top: "fc6"

name: "relu6"

type: RELU

}

layers {

bottom: "fc6"

top: "fc6"

name: "drop6"

type: DROPOUT

dropout_param {

dropout_ratio: 0.5

}

}

layers {

bottom: "fc6"

top: "fc7"

name: "fc7"

type: INNER_PRODUCT

inner_product_param {

num_output: 4096

}

}

layers {

bottom: "fc7"

top: "fc7"

name: "relu7"

type: RELU

}

layers {

bottom: "fc7"

top: "fc7"

name: "drop7"

type: DROPOUT

dropout_param {

dropout_ratio: 0.5

}

}

layers {

bottom: "fc7"

top: "fc8"

name: "fc8"

type: INNER_PRODUCT

inner_product_param {

num_output: 1000

}

}

layers {

bottom: "fc8"

top: "prob"

name: "prob"

type: SOFTMAX

}

input: "data"

input_dim: 10

input_dim: 3

input_dim: 227

input_dim: 227

I0912 18:22:26.956653 11968 net.cpp:292] Input 0 -> data

I0912 18:22:26.956778 11968 net.cpp:66] Creating Layer conv1

I0912 18:22:26.956809 11968 net.cpp:329] conv1

I0912 18:22:26.956889 11968 net.cpp:290] conv1 -> conv1

I0912 18:22:26.957068 11968 net.cpp:83] Top shape: 10 96 55 55 (2904000)

I0912 18:22:26.957139 11968 net.cpp:125] conv1 needs backward computation.

I0912 18:22:26.957207 11968 net.cpp:66] Creating Layer relu1

I0912 18:22:26.957243 11968 net.cpp:329] relu1

I0912 18:22:26.957279 11968 net.cpp:280] relu1 -> conv1 (in-place)

I0912 18:22:26.957347 11968 net.cpp:83] Top shape: 10 96 55 55 (2904000)

I0912 18:22:26.957382 11968 net.cpp:125] relu1 needs backward computation.

I0912 18:22:26.957422 11968 net.cpp:66] Creating Layer pool1

I0912 18:22:26.957458 11968 net.cpp:329] pool1

I0912 18:22:26.957496 11968 net.cpp:290] pool1 -> pool1

I0912 18:22:26.957548 11968 net.cpp:83] Top shape: 10 96 27 27 (699840)

I0912 18:22:26.957583 11968 net.cpp:125] pool1 needs backward computation.

I0912 18:22:26.957619 11968 net.cpp:66] Creating Layer norm1

I0912 18:22:26.957681 11968 net.cpp:329] norm1

I0912 18:22:26.957728 11968 net.cpp:290] norm1 -> norm1

I0912 18:22:26.957774 11968 net.cpp:83] Top shape: 10 96 27 27 (699840)

I0912 18:22:26.957809 11968 net.cpp:125] norm1 needs backward computation.

I0912 18:22:26.958052 11968 net.cpp:66] Creating Layer conv2

I0912 18:22:26.958092 11968 net.cpp:329] conv2

I0912 18:22:26.960306 11968 net.cpp:290] conv2 -> conv2

I0912 18:22:26.961231 11968 net.cpp:83] Top shape: 10 256 27 27 (1866240)

I0912 18:22:26.961369 11968 net.cpp:125] conv2 needs backward computation.

I0912 18:22:26.961398 11968 net.cpp:66] Creating Layer relu2

I0912 18:22:26.961436 11968 net.cpp:329] relu2

I0912 18:22:26.961468 11968 net.cpp:280] relu2 -> conv2 (in-place)

I0912 18:22:26.961496 11968 net.cpp:83] Top shape: 10 256 27 27 (1866240)

I0912 18:22:26.961516 11968 net.cpp:125] relu2 needs backward computation.

I0912 18:22:26.961539 11968 net.cpp:66] Creating Layer pool2

I0912 18:22:26.961593 11968 net.cpp:329] pool2

I0912 18:22:26.961629 11968 net.cpp:290] pool2 -> pool2

I0912 18:22:26.961676 11968 net.cpp:83] Top shape: 10 256 13 13 (432640)

I0912 18:22:26.961710 11968 net.cpp:125] pool2 needs backward computation.

I0912 18:22:26.961805 11968 net.cpp:66] Creating Layer norm2

I0912 18:22:26.961841 11968 net.cpp:329] norm2

I0912 18:22:26.961875 11968 net.cpp:290] norm2 -> norm2

I0912 18:22:26.961913 11968 net.cpp:83] Top shape: 10 256 13 13 (432640)

I0912 18:22:26.961969 11968 net.cpp:125] norm2 needs backward computation.

I0912 18:22:26.962023 11968 net.cpp:66] Creating Layer conv3

I0912 18:22:26.962059 11968 net.cpp:329] conv3

I0912 18:22:26.962096 11968 net.cpp:290] conv3 -> conv3

I0912 18:22:26.965011 11968 net.cpp:83] Top shape: 10 384 13 13 (648960)

I0912 18:22:26.965140 11968 net.cpp:125] conv3 needs backward computation.

I0912 18:22:26.965181 11968 net.cpp:66] Creating Layer relu3

I0912 18:22:26.965258 11968 net.cpp:329] relu3

I0912 18:22:26.965299 11968 net.cpp:280] relu3 -> conv3 (in-place)

I0912 18:22:26.965338 11968 net.cpp:83] Top shape: 10 384 13 13 (648960)

I0912 18:22:26.965479 11968 net.cpp:125] relu3 needs backward computation.

I0912 18:22:26.965520 11968 net.cpp:66] Creating Layer conv4

I0912 18:22:26.965555 11968 net.cpp:329] conv4

I0912 18:22:26.965634 11968 net.cpp:290] conv4 -> conv4

I0912 18:22:26.968613 11968 net.cpp:83] Top shape: 10 384 13 13 (648960)

I0912 18:22:26.968745 11968 net.cpp:125] conv4 needs backward computation.

I0912 18:22:26.968781 11968 net.cpp:66] Creating Layer relu4

I0912 18:22:26.968819 11968 net.cpp:329] relu4

I0912 18:22:26.968873 11968 net.cpp:280] relu4 -> conv4 (in-place)

I0912 18:22:26.968919 11968 net.cpp:83] Top shape: 10 384 13 13 (648960)

I0912 18:22:26.968992 11968 net.cpp:125] relu4 needs backward computation.

I0912 18:22:26.969028 11968 net.cpp:66] Creating Layer conv5

I0912 18:22:26.969066 11968 net.cpp:329] conv5

I0912 18:22:26.969108 11968 net.cpp:290] conv5 -> conv5

I0912 18:22:26.970634 11968 net.cpp:83] Top shape: 10 256 13 13 (432640)

I0912 18:22:26.970749 11968 net.cpp:125] conv5 needs backward computation.

I0912 18:22:26.970780 11968 net.cpp:66] Creating Layer relu5

I0912 18:22:26.970803 11968 net.cpp:329] relu5

I0912 18:22:26.970827 11968 net.cpp:280] relu5 -> conv5 (in-place)

I0912 18:22:26.970918 11968 net.cpp:83] Top shape: 10 256 13 13 (432640)

I0912 18:22:26.970952 11968 net.cpp:125] relu5 needs backward computation.

I0912 18:22:26.970988 11968 net.cpp:66] Creating Layer pool5

I0912 18:22:26.971233 11968 net.cpp:329] pool5

I0912 18:22:26.971282 11968 net.cpp:290] pool5 -> pool5

I0912 18:22:26.971361 11968 net.cpp:83] Top shape: 10 256 6 6 (92160)

I0912 18:22:26.971397 11968 net.cpp:125] pool5 needs backward computation.

I0912 18:22:26.971434 11968 net.cpp:66] Creating Layer fc6

I0912 18:22:26.971470 11968 net.cpp:329] fc6

I0912 18:22:26.971559 11968 net.cpp:290] fc6 -> fc6

I0912 18:22:27.069502 11968 net.cpp:83] Top shape: 10 4096 1 1 (40960)

I0912 18:22:27.069640 11968 net.cpp:125] fc6 needs backward computation.

I0912 18:22:27.069672 11968 net.cpp:66] Creating Layer relu6

I0912 18:22:27.069694 11968 net.cpp:329] relu6

I0912 18:22:27.069718 11968 net.cpp:280] relu6 -> fc6 (in-place)

I0912 18:22:27.069743 11968 net.cpp:83] Top shape: 10 4096 1 1 (40960)

I0912 18:22:27.069763 11968 net.cpp:125] relu6 needs backward computation.

I0912 18:22:27.069792 11968 net.cpp:66] Creating Layer drop6

I0912 18:22:27.069824 11968 net.cpp:329] drop6

I0912 18:22:27.069875 11968 net.cpp:280] drop6 -> fc6 (in-place)

I0912 18:22:27.069954 11968 net.cpp:83] Top shape: 10 4096 1 1 (40960)

I0912 18:22:27.069990 11968 net.cpp:125] drop6 needs backward computation.

I0912 18:22:27.070144 11968 net.cpp:66] Creating Layer fc7

I0912 18:22:27.070173 11968 net.cpp:329] fc7

I0912 18:22:27.070199 11968 net.cpp:290] fc7 -> fc7

I0912 18:22:27.111870 11968 net.cpp:83] Top shape: 10 4096 1 1 (40960)

I0912 18:22:27.111963 11968 net.cpp:125] fc7 needs backward computation.

I0912 18:22:27.111991 11968 net.cpp:66] Creating Layer relu7

I0912 18:22:27.112015 11968 net.cpp:329] relu7

I0912 18:22:27.112040 11968 net.cpp:280] relu7 -> fc7 (in-place)

I0912 18:22:27.112068 11968 net.cpp:83] Top shape: 10 4096 1 1 (40960)

I0912 18:22:27.112139 11968 net.cpp:125] relu7 needs backward computation.

I0912 18:22:27.112164 11968 net.cpp:66] Creating Layer drop7

I0912 18:22:27.112184 11968 net.cpp:329] drop7

I0912 18:22:27.112213 11968 net.cpp:280] drop7 -> fc7 (in-place)

I0912 18:22:27.112242 11968 net.cpp:83] Top shape: 10 4096 1 1 (40960)

I0912 18:22:27.112263 11968 net.cpp:125] drop7 needs backward computation.

I0912 18:22:27.112285 11968 net.cpp:66] Creating Layer fc8

I0912 18:22:27.112305 11968 net.cpp:329] fc8

I0912 18:22:27.112334 11968 net.cpp:290] fc8 -> fc8

I0912 18:22:27.122274 11968 net.cpp:83] Top shape: 10 1000 1 1 (10000)

I0912 18:22:27.122380 11968 net.cpp:125] fc8 needs backward computation.

I0912 18:22:27.122421 11968 net.cpp:66] Creating Layer prob

I0912 18:22:27.122503 11968 net.cpp:329] prob

I0912 18:22:27.122547 11968 net.cpp:290] prob -> prob

I0912 18:22:27.122660 11968 net.cpp:83] Top shape: 10 1000 1 1 (10000)

I0912 18:22:27.122688 11968 net.cpp:125] prob needs backward computation.

I0912 18:22:27.122706 11968 net.cpp:156] This network produces output prob

I0912 18:22:27.122745 11968 net.cpp:402] Collecting Learning Rate and Weight Decay.

I0912 18:22:27.122769 11968 net.cpp:167] Network initialization done.

I0912 18:22:27.122788 11968 net.cpp:168] Memory required for data: 6183480

Done with init

Using CPU Mode

Done with set_mode

Done with set_phase_test

Elapsed time is 0.579487 seconds.

Elapsed time is 3.748376 seconds.

ans =

1           1        1000          10

来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/16582684/viewspace-1268749/，如需转载，请注明出处，否则将追究法律责任。

句子院
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
加载模型时无法识别relu6的问题
工科女的博客
03-25 438
在使用到存在relu6的语句之前加上以下的语句： tensorflow版本：1.12.0 from tensorflow.keras.utils import CustomObjectScope from tensorflow.keras import backend as K with CustomObjectScope({'relu6': relu6}): //使用到relu6的语句 例如： with CustomObjectScope({'relu6': relu6}): converter
caffe不支持relu6_SSD: ReLU6
weixin_42662293的博客
01-14 248
1、在src\caffe\proto\caffe.proto中搜索message LayerParameter,在optional ReLUParameter relu_param = 123之后添加optional ReLU6Parameter relu6_param = 208; (最后的分号别忘了)2、搜索message ReLUParameter,在这个ReLUParameter实现结构之...
Matlab运行caffe遇到的问题
rosesor的博客
08-06 929
1.Invalide Net handle 路径问题，将文件放到caffe-master/matlab下运行。 2.Invalid MEX-file 尝试1：将debug里面的dll全部复制到release中。 结果：失败 尝试2：将dll放到了各种可能需要的文件中，包括caffe-master\Build\x64\Release、caffe-master\Build\x64\Relea...
Caffe + CUDNN V5
卜居
04-15 1万+
在今年 GTC 上，NVIDIA 推出的 NVIDIA Deep Learning SDK 中，cuDNN 赫然在列。与之比肩的还有 DIGITS, cuBLAS, cuSPARSE, NCCL 等。从 2014 年推出 第一个版本，到如今 cuDNN 已经连续发布 5 个版本。目前 cuDNN v5 的最新特性有：(1) 支持递归神经网络（ LSTM / GRU / RNN )；(2) cudn...
《深度学习——实战caffe》——caffemodel可视化
IT人生
06-08 381
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...
caffeimporter.zip_MATLAB 深度学习_caffe_matlab 2017b_matlab caffe_深度
09-24
6. **文档查阅**：正如描述中提到的，了解如何使用这个工具箱，应参考MATLAB 2017b的官方文档，其中详细介绍了安装、配置以及使用方法。 总之，MATLAB 2017b的Caffeimporter工具箱为深度学习研究者和工程师提供了一...
caffe-201701.zip_caffe_caffe linux_分类_机器视觉
最新发布
09-24
标题 "caffe-201701.zip_caffe_caffe_linux_分类_机器视觉" 提供的信息表明，这个压缩包包含的是2017年1月版本的Caffe框架，一个专门为Linux平台设计的深度学习库，用于图像分类和机器视觉任务。Caffe是由Berkeley ...
caffe3rdparty_15_2019_03_14.zip
09-18
6. **LMDB**：轻量级数据库，用于存储Caffe的训练和测试数据。 7. **HDF5**：一个数据存储和管理库，用于读写大型多维数组。 配置OpenPose环境时，正确安装这些依赖库至关重要。用户通常需要将这些库的路径添加到...
CAFFE.zip_caffe_caffe 批量测试_fcn_fcn caffe python_fcn 批量
07-15
这个"CAFFE.zip_caffe_caffe 批量测试_fcn_fcn caffe python_fcn 批量"的压缩包文件显然包含了使用Caffe和Python进行FCN批量测试的资源。 首先，我们要理解FCN的基本原理。FCN在2015年由Long等人提出，它摒弃了传统...
MOPCNN_code.zip_MOPCNN_caffe_caffe matlab_卷积神经网络_多尺度卷积
07-14
matlab 和C++下联合编程构建的多尺度无序的卷积神经网络，是对caffe的一种扩充
使用MATLAB加载训练好的caffe模型进行识别分类
请叫我小皇帝 的博客
03-06 6492
在进行下面的实验前，需要先对数据进行训练得到caffemodel，然后再进行分类识别   c_demo.m function [scores, maxlabel] = c_demo(im, use_gpu) % Add caffe/matlab to you Matlab search PATH to use matcaffe if exist('/home/k40/caffe-maste
Caffe 训练mnist数据
juemingzi_tt的博客
12-14 2016
转自：http://blog.itpub.net/16582684/viewspace-1256400/ 环境: Ubuntu 12.04,  Caffe cd $CAFFE_ROOT/data/mnist ./ cd $CAFFE_ROOT/examples/mnist vi lenet_solver.prototxt 修改solver_mode为CPU ./t
caffe的Matlab接口的使用方法以及会出现的问题
wzy的博客
06-27 1534
编译MatCaffe 使用如下命令编译MatCaffe make all matcaffe11 之后，你可以用以下命令测试MatCaffe： make mattest11 如果你在运行上面命令时，遇到如下错误：libstdc++.so.6 version ‘GLIBCXX_3.4.15’ not found，说明你的Matlab库不匹配。你需要在启动Matlab之前运行如下命
Windows下用Matlab加载caffemodel做图像分类
小咸鱼_的博客
03-19 1万+
1.编译windows版本的caffe 用到了happynear提供的caffe-windows-master，编译caffe和matlab接口的过程看这里。 2.修改caffe-windows-master\matlab\demo\classification_demo.m 我修改的代码如下： function classification_demo() close all;
测试caffe中的net
woneil
07-31 7424
参考,P136,所用到的boost需要是boot_1_58_0版本。 编写文件 net_demo.cpp，并保存在/home/sf/demo下： #include #include #include "caffe/net.hpp" using namespace caffe; using namespace std; int main(void) {     std:
学习笔记：AlexNet&Imagenet学习笔记
热门推荐
ROS学习VS图像处理
03-18 2万+
ImageNet(http://www.image-net.org)是李菲菲组的图像库，和WordNet 可以结合使用 （毕业于Caltech；导师：Pietro Perona；主页：http://vision.stanford.edu/~feifeili/） 总共有十万的synset， 其中2010的数据表示，有图像的非空synset是21841，每一类大约1000张图片，图片总数：14
学习Caffe（二）使用Caffe:Caffe加载模型+Caffe添加新层+Caffe finetune
goodluckcwl的专栏
07-17 2035
如何使用Caffe Caffe教程（http://robots.princeton.edu/courses/COS598/2015sp/slides/Caffe/caffe_tutorial.pdf） 预备知识 Google Protocol Buffer https://developers.google.com/protocol-buffers/docs/cpptutorial...
Windows下使用MATLAB运行Caffe RCNN demo教程
本篇文章主要介绍了如何在Windows环境下利用Caffe和Matlab运行RCNN (Region Convolutional Neural Network) 的demo。首先，读者需要了解一些背景信息，包括RCNN的基本概念，它是一种用于目标检测的深度学习模型，...
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