yiyisunshine的博客

近来实习，方觉课堂上学的太少，完全不够用，虽然我是个乖乖女，呜呜~~~~(>_系列文章希望记录CNN时尚图片分类识别全过程，持续更新中（偷笑），如有共同学习的可以发邮件加友交流1354008726@qq.com。第一篇  图像的像素，灰度与表示因为要学习下图片识别嘛，第一个问题就是图像的表示，很有意思的感觉~一、灰度是什么？1.从黑白图像讲起，顾名思义，只有两种

好吧，读了男神哥哥们的博客，自己写不来更好的。附上链接：卷积神经网络（CNN）新手指南　http://blog.csdn.net/real_myth/article/details/52273930；   深度学习笔记整理系列：http://blog.csdn.net/zouxy09/article/details/8775360  ；http://xiahouzuoxin.git

作者：yiyisunshine 出处：http://blog.csdn.net/yiyisunshine/article/details/62895740学习了几天FCN后，有必要进行一下整理了，也希望能帮助到看到此篇文章的人~学习步骤：此前你一定理解了CNN吧，如果没有的话，先去看Lenet和Alexnet好啦…1.细读CNN–FCN的开山之作Fully Convolutional Networ

1.前言：结合网络新闻与贾杨青教授摘录些caffe2的功能特点。Caffe是由伯克利人工智能研究实验室开发的深度学习框架，Caffe2是Caffe框架的升级版，将拥有更大的组织计算灵活性。***专注于移动端的开发与优化.***它用途广泛，例如支持开发者制造聊天机器人，连接物联网服务，使用机器翻译和语音，以及医用图片识别算法等。2.Facebook宣布开源Caffe2 据外媒4月18日报道，在刚刚

假设整体训练样本60000个，验证样本40000个 1. 训练样本有关的参数： batch_size:600 所以，需要迭代60000/600=100次才能完成一次遍历训练，即一个epoch。 因此，test_interval设置为大于或者等于100再进行验证。当然你可以训练多个epoch，比如100个，这时max_iter设为10000. 2. 验证时的有关参数： batc

注：本文转载自http://blog.csdn.net/jinxueliu31/article/details/52066709 Caffe主要处理两种形式的数据流： 1. 图像和标签在网络上的传输，随着网络的传输，它们转化更高层次的表示，最终以得分或者概率值的形式输出。 2. 第二种数据流，主要保存各个网络层的参数，比如卷积层的weights和bias. 这些值是随着的网络的训练过程不断

Girshick, Ross, et al. “Rich feature hierarchies for accurate object detection and semantic segmentation.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2014. Region C

卷积神经网络：深度学习常用的特征提取方法转载通俗理解卷积神经网络 - Loving_Forever_的博客 - 博客频道 - CSDN.NEThttp://blog.csdn.net/loving_forever_/article/details/523898621.常用的非线性激活函数: sigmoid、tanh、relu等等，前两者sigmoid/tanh比较常见于

Deep Learning（深度学习）ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：一ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：二Bengio团队的deep learning教程，用的theano库，主要是rbm系列，搞python的可以参考，很不错。deeplearning.net主页，里面包含的信息量非常多，有softw

前言：利用caffe工具来完成自己的模型搭建与训练，层级参数还是需要好好理解的，以便进行配置文件prototxt 的编写。 数据层数据层是每一个模型的底层，我们需要通过它完成blobs格式数据的上传。需要注意数据层的某些参数实现数据的预处理（减去均值，放大缩小，剪裁，镜像等）。数据层的数据来源：主要是数据库（leverDB和LMDB），此时数据层的type：“Data”。top和bottom：

注：本篇为了完整性，现先写简单概念，下一篇详细总结caffe网络模型各层参数。一、背景知识1.caffe源码结构与核心概念：附计算所刘昕老师的图：可以看到caffe源码文件夹主要内容与功能: 核心概念： 2.经典模型：附图： 二、实验流程注：由于imagenet数据集过大，这里用自己的数据集完成经典model的训练与fine-tuning。本文在整体宏观指引上，具体实现细节参看后附的博客文章。

此篇为了记录过程如题。linux下配置编译caffe网上资源很多。在make runtest和import caffe成功后进行本文的实验。下载数据： cd ~/caffe/ ./data/mnist/get_mnist.sh ./examples/mnist/create_mnist.sh 修改配置： cd ~/caffe/ sudo gedit ./examples/mnis

前言：在配置caffe之前曾有畏惧心理，听说坑很多，尝试了一遍还是蛮顺利的，一天不到就配置好了~~~（为了caffe还特意重装了系统 b(￣▽￣)d ） 没几天完成了mnist实例，用自己的图片进行了测试。这个属于下一篇啦O(∩_∩)O。本文参考博文如下：风翼冰舟的博客http://blog.csdn.net/zb1165048017/article/details/51355143谢小小XH

1.安装mac下安装caffe可以参考之前的一篇wiki(在mac下安装caffe)，当然如果遇到其他问题请自行google。对于各种Linux系统，网上的教程已经非常多了。2.caffe代码与架构层次简单介绍caffe源码是Cpp语言的，基于一些外部的库，包括BLAS(矩阵计算)，CUDA(GPU驱动)，gflags,glog,boost,protobuf,hdf5,leveldb,lmdb等。只

前言：趁热打铁，完成了mnist实例的训练与测试，并用自己找的图片进行了测试。本文需要的环境及数据参照上篇博客配置 此例子所需数据集及所有需要修改生成的文件都放在云盘里，需要请自取 。链接：http://pan.baidu.com/s/1c16XXAS 密码：69c1训练模型数据集：程序本身不带测试数据，需要去下载，云盘里有。测试数据为leveldb格式。下载好后直接解压，得到两个文件夹（m

前言：本来是配置好了caffe准备从MNIST上手的，结果半路杀出个TensorFlow，莫名被吸引，先来一篇记录啦~TensorFlow为什么吸引了我     TensorFlow可被用于语音识别或图像识别等多项机器深度学习领域。      Tensor： 张量      flow：  流      顾名思义：（谷歌张量流图），所谓张量其实是N维数组，Flow（流）意味着基于数据流图的计算。

上一次我们讲了M-P模型，它实际上就是对单个神经元的一种建模，还不足以模拟人脑神经系统的功能。由这些人工神经元构建出来的网络，才能够具有学习、联想、记忆和模式识别的能力。BP网络就是一种简单的人工神经网络。 本文具体来介绍一下一种非常常见的神经网络模型——反向传播(Back Propagation)神经网络。概述BP（Back Propagation）神经网络是1986年由Rumelhart和Mc