dataningwei的博客

与softmax回归相关的caffe源码主要在如下两个文件中：softmax_loss_layer.cpp和softmax_layer.cpp。 softmax_loss_layer.cpp 前向计算后向计算：//softmax_loss_layer.cpp 前向计算后向计算template <typename Dtype>void SoftmaxWithLossLayer<Dtype>::

在windows下绘制学习曲线。1、获取训练日志文件1）设置好solver.prototxt ,train_test.prototxt等配置文件 2）建立批处理文件(.bat)，将输出至屏幕的训练信息，重定性至文件。 train.bat 配置如下：e:cd E:\deeplerning\caffe\caffe-windows\My //转换至工作目录，日志文件将保存在此目录E:\de

参考官方文档：http://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/00-classification.ipynb#-*- coding: utf-8 -*-import numpy as npimport matplotlib.pyplot as plt# display plots in this noteb

参考官方链接： http://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/01-learning-lenet.ipynb[(k, v.data.shape) for k, v in solver.net.blobs.items()] // 利用此命令，可查看featuremap/* // solver.

1 caffe输出基本信息caffe在训练的时候屏幕会输出程序运行的状态信息，通过查看状态信息方便查看程序运行是否正常，且方便查找bug. caffe debug信息默认是不开启的，此时的输出信息的总体结构如下所示： 1.1 solver信息加载并显示1.2 train网络结构输出1.3 Train 各层创建状态信息I0821 09:53:35.572999 10308 laye

卷积与反卷积的直观感受： 卷积： 反卷积： 特别说明，此处分析的反卷积主要针对 caffe中DeconvolutionLayer类别来说。反向传播分析，参考博客： https://grzegorzgwardys.wordpress.com/2016/04/22/8/ http://www.jefkine.com/general/2016/09/05/backpropagation-in-c

caffe的网络层类型注册机制。 我们知道，caffe中有很多网络层(layer)，每个层并单独定义成一个c++类，如卷积层class ConvolutionLayer、class PoolingLayer等。当我们自定义一个层结构，该如何融入caffe架构里去呢？为了实现这个目的，需要首先了解一下caffe层的构建机制。1. 编写源文件及头文件首先，编写自己类（Mytest）的头文件、源文件：M

FCN全卷积网络，作为语义分割的鼻祖，研究了一下，但是，其中几个问题一直没有想明白，现汇总一下。 1、首个卷积层为什么pad=100 ？我们从VGG16网络结构中探究原因。 VGG16的特点是，conv5之前的卷积层均使用卷积核 kernel_size=3,pad=1,因此，卷积前后不改变数据尺寸，改变featrueMap的尺寸只有pooling层。 现在我们只考虑pooling层，所有p

刚刚跑完FCN网络，先上几张图展示一下效果，效果还是挺不错。 以sift-flow数据集为例。 原图 分割结果如上所示，道路、山峰和天空均分割出来了。

最近又把大神的faster rcnn程序搬出来，有点小感悟，小发现。 非极大值抑制NMS,绝逼是个好东西，说明如下。proposal输出结果 原始的proposal输出结果如下： 疑似目标区域，如上，这是在逗我么，一团乱麻（6000个候选框）。经过非极大值抑制之后： 啥感觉，是不是有点眉目了，NMS功不可没。但是，说实话，结果依然很凌乱，其实仅从性能来说，相比Selective Search

论文名称《You Only Look Once: Unified, Real-Time Object Detection》摘要1、之前的目标检测方法采用目标分类思想解决检测问题，本文提出一个基于回归的框架，用于目标的定位及识别。2、一个网络，一次预测即可获得目标的检测框（bounding boxs）和 类别概率。3、所提目标检测框架运算速度非常快。基本YOLO 模型45帧/S。简化版本Fast

1、dropout中概率参数p，是指单个神经元被丢弃的概率。 2、训练阶段droup的开关放在激活值之后， 3、测试阶段，每个激活值后乘以q（保留概率），以此来缩放激活函数。 4、某一层有n个神经元，则一次迭代丢弃的神经元个数是不确定的，它是个随机变量，服从二项分布。 5、经过多轮训练，某层神经元平均丢弃的个数为概率为n*p。 6、在n*p处的概率最大，并以p=0.5为左右对称分布。

1、参考博文中windows版本的配置流程 http://m.blog.youkuaiyun.com/qq_14845119/article/details/53331581 2、编译生成 python 版本的 caffe ，并将其放在 site-packages目录下 3、下载 作者已经训练好的模型 http://www.cs.unc.edu/~wliu/projects/SSD/mo

1、利用caffe训练期间，内存需要多少，内存中都保存了学什么？内存需要保存一个训练周期中的所有 feature map 数据+网络参数数据 受bach_size 及网络模型大小关系较大。2、利用训练好的模型文件.caffemodel如何初始化网络模型文件 .prototxt?matlab 接口: net=caffe.Net() net.copy_from()caffe 源码解释： 调用

yolo源码学习

还是以mnist手写字符，lenet5为例。 如上图所示，左边为9个layer层，右边为每层的top blob 的输出（featrue map）的维度。那么问题来了，训练的参数wij和biw_{ij}和b_i存在哪些变量里呢? 1）有需要用BP算法进行训练参数的层(layer)，内部都会有一个成员变量layer::blobs_,其中blobs_[0]存放wijw_{ij}及Δwij\Del

博主所用caffe在windows下编译生成。配置环境说明 - 编译器：vs2013 - 操作系统：win10-64bit - caffe-windows - python2.7(64bit)1 编译pycaffe1.1 配置 CommonSettings.props 中是能python接口功能：< PythonSupport >为true<?xml version="1.0" encodi

占坑！

以手写字符集mnist为例介绍caffe卷积层的实现方式。1.卷积层C1 源码在卷积层类ConvolutionLayer中，batch(训练 64*3*28*28,测试 100*3*28*28)中每个样本循环调用前向运算ConvolutionLayer::Forward_cpu（）函数计算featrue map。 　　函数源码如下：template <typename Dtype>void Co

为了扩展深度学习服务器硬盘容量，在服务器开机状态下将阵列硬盘拔下来一个，造成磁盘报警。 1、指示灯闪烁并报警 2、Degrade 状态 插入新盘后，等待Rebuild。 若干时间后，Rebuild 成功，所有硬盘都成为Online状态。

上一篇介绍了pycaffe接口的配置及使用，本文梳理一下caffe的matlab接口配置方法。在CommonSettings.props 打开matlab接口开关 <!-- NOTE: If Matlab support is enabled, MatlabDir (below) needs to be set to the root of your Matla

1、首先需要配置matlab接口环境，并定义是否开启GPU加速 caffe.set_mode_gpu(); %GPU加速模式 caffe.set_mode_cpu(); %CPU加速模式 如果没有配置成功，则会报错：无法找到caffe_2、加载训练好的模型 net = caffe.Net（net_model,weight,’test’） net_model 通常为deploy.prot

1、权值可视化主函数 conv1_weights_vis.m,放在caffe根目录，需要matcaffeclear;clc;close all;addpath('matlab')caffe.set_mode_cpu();fprintf(['Caffe Version = ', caffe.version(), '\n']);net = caffe.Net('models/bvlc_refe

在用libcaffe.lib建立工程时，出现 Check failed: registry.count(type) == 1 (0 vs. 1) Unknown layer type: Input (known types: )错误，参考了两篇博文解决问题： 主要思想是增加 头文件，注册layer层。 http://blog.youkuaiyun.com/birdwcp/article/deta

参考博客： http://blog.youkuaiyun.com/sinat_30071459/article/details/505468911、编译caffe-faster rcnn库 Caffe for Faster R-CNN 编译过程： 1）下载caffe_library.zip 2）将caffe-faster rcnn库中的所有文件copy至./caffe

1 VOC2007基本信息作为标准数据集，voc-2007 是衡量图像分类识别能力的基准。 faster-rcnn，yolo -v1, yolo-v2都以此数据集为最为演示样例，因此，有必要了解一下本数据集的组成架构。VOC数据集共包含：训练集（5011幅），测试集（4952幅），共计9963幅图，共包含20个种类。 aeroplane bicycle bird boat

训练数据加载，与读取：主要由 AnnotatedDataLayer 承担其构造函数如下：template <typename Dtype>AnnotatedDataLayer<Dtype>::AnnotatedDataLayer(const LayerParameter& param) : BasePrefetchingDataLayer<Dtype>(param), reader_(