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
}
-
将所有训练样本的均值保存为文件
-
图片减去均值后,再进行训练和测试,会提高速度和精度】
-
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)
-
把数据层(DATA Layer)和连接数据层的Layers 去掉(即top:data的层)
-
去掉输出层和连接输出层的Layers(即bottom:label)
-
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
-
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 { |