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: 0.00390625

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 {