3.3 使用训练好的模型

3.3.1均值文件mean file数据预处理transform_param {scale: 0.00390625mean_file_size: “examples/cifar10/mean.binaryproto" #用一个配置文件来进行均值操作mirror: 1 crop_size: 227 }  将所有训练样本的均值保存为文件 图片减去均值...
摘要由CSDN通过智能技术生成

3.3.1均值文件mean file

数据预处理

transform_param

{

scale: 0.00390625

mean_file_size: “examples/cifar10/mean.binaryproto" #用一个配置文件来进行均值操作

mirror: 1

crop_size: 227

}

 

  1. 将所有训练样本的均值保存为文件

  2. 图片减去均值后,再进行训练和测试,会提高速度和精度】

  3. 运行方法:(使用caffe工具)

   Compute_image_mean[train_lmdb][mean.binaryproto]

3.3.2 改写deploy 文件(以mnist为例)

  1. 把数据层(DATA Layer)和连接数据层的Layers 去掉(即top:data的层)

  2. 去掉输出层和连接输出层的Layers(即bottom:label)

  3. 重新建立输入

    input:”data”

    input_shape{

    dim:1 #batchsize ,每次forward的时候输入的图片个数,这里1,就是,每次输入一张图片。

    dim:3 #number of colour channels,1:灰度图,3:rgb图

    dim:28 #width 和输入图片的格式大小保持一致。

    dim:28#height

  4. 重新建立输出

layer{

name:”prob” //与自己的网络名保持一致

type:”Softmax”

bottom:”ip2”

top:”prob”

}

修改后的mnist的deploy文件参考caffe/example/mnist/lenet.protxt

deploy.prototxt

name: "LeNet"

input: "data" //输入修改后的

input_shape {

dim: 1 # batchsize

dim: 1 # number of colour channels - rgb

dim: 28 # width

dim: 28 # height

}

layer {

name: "conv1"

type: "Convolution"

bottom: "data"

top: "conv1"

param {

lr_mult: 1

}

param {

lr_mult: 2

}

convolution_param {

num_output: 20

kernel_size: 5

stride: 1

weight_filler {

type: "xavier"

}

bias_filler {

type: "constant"

}

}

}

layer {

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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