2016年11月_Yan_Joy

原创 Machine learning: Trends, perspectives, and prospects

论文阅读：Machine learning: Trends, perspectives, and prospects绪论机器学习强调让电脑通过学习自动地提高自己。其发展基于：新的学习算法和理论可用数据增多和计算成本变低可以看到，机器学习的这几年的流行是多方面的因素，第二点的作用甚至更大一些：作为机器学习“燃料”的数据不仅提高了准确性，更避免了过拟合，提升泛化性能

2016-11-26 13:47:39 2060

原创 Caffe-faster-rcnn demo测试

RCNN是目前detection中较新且准确度较高的方法，充分发挥了CNN分类的优势，但速度并不快，从而产生了fast rcnn和faster rcnn来解决这个问题。本文使用py-faster-rcnn对该方法做一初步测试。 rbgirshick/py-faster-rcnn环境准备软件环境CaffePython一般来说这些我们都已经有所接触，但仍有一些需要注意的地方：要使用rbgi

2016-11-12 15:06:15 6876 6

转载 caffe学习（11）python的数据可视化

caffe本身没有可视化的工具，一般需要配合python或matlab实现数据的可视化，在实践本文之前要先把caffe python编译好。另外有的服务器只有shell，没有可视化的界面，只好先把每一层的数据先保存成图片格式，再进行显示。 Caffe学习系列(14)：初识数据可视化 Python and/or MATLAB Caffe (optional)载入数据 import nu

2016-11-09 16:24:15 1093

转载 caffe学习（10）数据转换img2db

在处理图像时，我们已拥有的图像往往是常用的jpg、png格式，但在caffe中，输入的数据类型常是lmdb或leveldb，因此我们需要对原始数据进行转换。 Caffe学习系列(11)：图像数据转换成db（leveldb/lmdb)文件convert_imageset在caffe中，提供了一个用于格式转换的文件：convert_imageset.cpp，存放在根目录下的tools文件夹下。编译

2016-11-08 17:12:54 893

原创 caffe学习（9）LeNet在Caffe上的使用

使用官网例程训练LeNet。 Training LeNet on MNIST with Caffe准备数据Caffe程序的运行要注意需命令行要在Caffe的根目录下。cd $CAFFE_ROOT./data/mnist/get_mnist.sh./examples/mnist/create_mnist.sh依次运行，会在caffe\examples\mnist下得到两个目录mnist_t

2016-11-08 15:57:37 5326

原创 caffe学习（8）Solver 配置详解

Solver是求解学习模型的核心配置文件，网络确定后，solver就决定了学习的效果。本文结合caffe.proto和网上资料，对solver配置进行学习。 Solver Caffe学习系列(7)：solver及其配置，denny402Solver在caffe中的定义通常的solver文件与net文件相互关联，同样的net我们往往使用不同的solver尝试得到最好的效果，其运行代码为：c

2016-11-08 09:45:41 5912 5

原创 Google Protocol Buffer 学习

Caffe上有很多使用了Google Protocol Buffer的东西，从网上来看，这“是一种轻便高效的结构化数据存储格式，可以用于结构化数据串行化，很适合做数据存储或 RPC 数据交换格式。它可用于通讯协议、数据存储等领域的语言无关、平台无关、可扩展的序列化结构数据格式”。作为caffe模型定义的数据格式，看懂caffe.proto对caffe的理解会有很大帮助。 Google Proto

2016-11-07 20:27:37 710

原创 caffe学习（7）损失层、通用层

损失层Loss Layers损失通过将输出与目标进行比较，并不断优化减小loss。Softmax（with loss）层类型：SoftmaxWithLoss示例：layer { name: "loss" type: "SoftmaxWithLoss" bottom: "ip1" bott

2016-11-07 16:19:29 2489

原创 caffe学习（6）激活层

激活（Activation）层又叫神经元（Neuron）层，最主要的是激活函数的设置。 Activation / Neuron Layers Caffe源码解析6：Neuron_Layer，楼燚航的blog一般来说，这一层是元素级的运算符，从底部blob作为输入并产生一个相同大小的顶部blob：输入：n * c * h * w输出：n * c * h * wReLU / Recti

2016-11-07 11:22:21 1207

原创 caffe学习（5）视觉层

上一篇是数据层，这一篇是视觉层（Vision Layers）。参考官网和网友博客。 Vision Layers Caffe学习系列(3)：视觉层（Vision Layers)及参数，denny402 Caffe源码解析5：Conv_Layer，楼燚航的blog视觉层通常将图像作为输入，产生其他图像作为输出。图像输入可以是灰度图（通道C=1），RGB图（通道C=3）。同样图像也具有二

2016-11-06 22:52:38 823

原创 caffe学习（4）数据层

数据是学习的原料，参考官网和网友的资料，来看一下数据与数据层。 Data：Ins and Outs Caffe学习系列(2)：数据层及参数，denny402数据：输入与输出在Caffe中，数据是以Blobs流动的（见caffe学习（1）caffe模型三种结构）。数据层的输入输出便需要由其他格式与Blobs进行相互转换。一些常见的变换如平均减法（mean-subtraction）、特征缩放

2016-11-06 21:10:13 1121

原创 caffe学习（3）接口

接口Interfaces Interfaces Caffe提供丰富的接口，比如命令行，python，matlab。先说一下命令行命令行 caffe命令及其参数解析，Single、DogCaffe的程序位于caffe / build / tools，运行时可以在根目录执行./build/tools/caffe <command><args>。其中<command>有四种：train：

2016-11-06 14:23:22 1135

原创 caffe学习（2）前后传播，loss，solver

向前和向后传播 Forward and Backward前后传播是Net的重要组成，如下图所示：向前Forward通过给定的参数计算每层的值，就像函数一样top=f(bottom)。上图表示数据通过内积层输出，再由softmax给出损失。向后Backward向后是计算loss的梯度，每层梯度通过自动微分来计算整个模型梯度，即反向传播。从这个图上可以看出，由loss开始，通过

2016-11-06 09:38:04 1412

转载 caffe学习（1）caffe模型三种结构

caffe模型三种结构自己写的然而CSDN出bug了，绑定三方账户原来的博客无法编辑，只好转发过来 Blobs, Layers, and Nets: anatomy of a Caffe modelBlob：存储和传递（communication）blob是数据存储和传输的包装，并且还在底层提供CPU和GPU之间的同步能力。Blob提供了保存数据的统一存储器接口；例如图像批次，模型参

2016-11-05 21:49:29 3266

Yan_Joy的博客