![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
caffe
文章平均质量分 71
yx2017
这个作者很懒,什么都没留下…
展开
-
Caffe使用step by step:caffe框架下的基本操作和分析
caffe虽然已经安装了快一个月了,但是caffe使用进展比较缓慢,果然如刘老师说的那样,搭建起来caffe框架环境比较简单,但是完整的从数据准备->模型训练->调参数->合理结果需要一个比较长的过程,这个过程中你需要对caffe中很多东西,细节进行深入的理解,这样才可以知道为什么能有这样的结果,在训练或者fine-tuning时知道针对调整的方法。下面针对caffe中的使用进行讲解。转载 2017-05-18 15:59:37 · 404 阅读 · 0 评论 -
caffe绘制train和loss曲线
参考博文:caffe绘制训练过程的loss和accuracy曲线1.必备文件caffe/tools/extra下面有几个文件,必备的:1 caffe/tools/extra/parse_log.sh 2 caffe/tools/extra/extract_seconds.py3 caffe/tools/extra/plot_training_log.py.example原创 2017-07-13 10:31:25 · 3113 阅读 · 2 评论 -
caffe学习系列——命令给行解析
caffe的运行提供三种接口:c++接口(命令行)、python接口和matlab接口。本文先对命令行进行解析,后续会依次介绍其它两个接口。caffe的c++主程序(caffe.cpp)放在根目录下的tools文件夹内, 当然还有一些其它的功能文件,如:convert_imageset.cpp, train_net.cpp, test_net.cpp等也放在这个文件夹内。经过编译后转载 2017-07-12 16:21:17 · 288 阅读 · 0 评论 -
caffe——模型训练数据的过程
本文主要讲解caffe的整个使用流程,适用于初级入门caffe,通过学习本篇博文,理清项目训练、测试流程。初级教程,高手请绕道。我们知道,在caffe编译完后,在caffe目录下会生成一个build目录,在build目录下有个tools,这个里面有个可执行文件caffe,如下图所示:有了这个可执行文件我们就可以进行模型的训练,只需要学会调用这个可执行文件就可以了,这便是转载 2017-06-09 09:21:29 · 13137 阅读 · 2 评论 -
Caffe学习笔记:cifar10_quick_train_test.prototxt配置文件分析
转载请注明作者和出处:http://blog.csdn.net/c406495762运行平台: Ubuntu14.04 在上篇笔记中,已经记录了如何进行图片数据格式的转换和生成txt列表清单文件。本篇笔记主要记录如何计算图片数据的均值和理解prototxt配置文件中各个层的参数。 Caffe主要处理两种形式的数据流: 图像和标签在网络上的传输,随着转载 2017-06-09 09:12:15 · 357 阅读 · 0 评论 -
浅谈caffe中train_val.prototxt和deploy.prototxt文件的区别
本文以CaffeNet为例:1. train_val.prototxt 首先,train_val.prototxt文件是网络配置文件。该文件是在训练的时候用的。2.deploy.prototxt该文件是在测试时使用的文件。区别:首先deploy.prototxt文件都是在train_val.prototxt文件的基础上删除了一转载 2017-06-08 19:27:29 · 777 阅读 · 0 评论 -
Ubuntu16.04安装caffe(仅cpu)
Ubuntu16.04安装caffe(仅cpu)背景:之前用的centos6.6安装caffe,由于各种依赖的问题,并且源里面的安装包有限,有时需要去网站上下载包,涉及到对应的版本型号比较细致且复杂,最终centos安装caffe的路没走下去,选择了ubuntu16.04版本安装caffe。 安装步骤如下(参考网络安装教程):1 安装开发依赖包 $ sudo apt-g转载 2017-05-22 14:38:43 · 956 阅读 · 0 评论 -
caffe模型
一个完整的深度学习系统最核心的两个方面是 数据和模型。这里主要来关注模型。一个深度学习模型通常由三部分参数组成:可学习参数(Learnable Parameter),又称可训练参数、神经网络权系数、权重,其数值由模型初始化参数、误差反向传播过程控制,一般不可人工干预。结构参数(Archetecture Parameter),包括卷积层/全连接层/下采样层数目、卷原创 2017-06-01 19:47:19 · 478 阅读 · 0 评论 -
caffe中solver.prototxt参数说明
http://www.cnblogs.com/denny402/p/5074049.htmlsolver算是caffe的核心的核心,它协调着整个模型的运作。caffe程序运行必带的一个参数就是solver配置文件。运行代码一般为# caffe train --solver=*_slover.prototxt在Deep Learning中,往往loss function是转载 2017-06-01 19:24:33 · 874 阅读 · 0 评论 -
Caffe的安装:ubuntu16.04+gtx1060+cuda8.0
主要参考这片文章ubuntu16.04+gtx1060+cuda8.0+caffe安装、测试经历一、首先安装nvidia显卡驱动 安装nvidia驱动,终端输入 $ sudo add-apt-repository ppa:graphics-drivers/ppa 回车后继续 $ sudo apt-get update $ sudo apt-get ins原创 2017-06-16 10:59:48 · 1489 阅读 · 0 评论 -
Caffe中的损失函数解析
导言在有监督的机器学习中,需要有标签数据,与此同时,也需要有对应的损失函数(Loss Function)。在Caffe中,目前已经实现了一些损失函数,包括最常见的L2损失函数,对比损失函数,信息增益损失函数等等。在这里做一个笔记,归纳总结Caffe中用到的不同的损失函数,以及分析它们各自适合的使用场景。欧式距离损失函数(Euclidean Loss)输入:转载 2017-06-05 14:02:04 · 1223 阅读 · 0 评论 -
Caffe学习:Forward and Backward
Caffe学习:Forward and Backward标签: machine-learningcaffe2015-08-07 21:38 4178人阅读 评论(1) 收藏 举报 分类:machine-learning(33) caffe(28) 原文forward and backward passes(前向迭代和反向迭代)是转载 2017-06-05 13:59:01 · 817 阅读 · 0 评论 -
SGD求解器的学习率a和遗忘因子u的设置原则
SGDStochastic gradient descent (type: "SGD") updates the weights WW by a linear combination of the negative gradient ∇L(W)∇L(W) and the previous weight update VtVt. The learning rate αα is转载 2017-06-05 11:33:06 · 1246 阅读 · 0 评论 -
train_val.prototxt文件里的data层的type和参数解释
转载自己:http://www.cnblogs.com/denny402/p/5070928.html要运行caffe,需要先创建一个模型(model),如比较常用的Lenet,Alex等, 而一个模型由多个屋(layer)构成,每一屋又由许多参数组成。所有的参数都定义在caffe.proto这个文件中。要熟练使用caffe,最重要的就是学会配置文件(prototxt)的编写。层有转载 2017-06-13 11:11:45 · 1007 阅读 · 0 评论