dcxhun3的博客

要求当使用自己的数据进行训练时，需要做到：1、数据的类别标号从0开始，中间要连续，即0,1,2...  2、数据集要打乱  3、列出对应图片名及其标签 生成对应的txt文件。对于这些要求 当数据很小时可以手动标记，制作一个txt文件，但是当数据很多时手动显然不合适。实现因此我想到之前学习mxnet时，mxnet提供了make_list.py（一个mxnet/tools/路径下）可以

solver.prototxtnet: "models/bvlc_alexnet/train_val.prototxt" test_iter: 1000 # test_interval: 1000 # base_lr: 0.01 # 开始的学习率lr_policy: "step" # 学习率的drop是以gamma在每一次迭代中gamma: 0.1

如何评价rcnn、fast-rcnn和faster-rcnn这一系列方法 rcnn是经典的物体检测方法:proposals->features->claasifiers(svm)，但是因为每个proposal都要过一遍cnn，所以速度慢。 fast rcnn借鉴了spp net，只把整张图过一遍cnn，然后在roi layer把proposal对应到feature map上，速度提升非常大 f

caffe +安装cuda7.5 安装CUDA有两种方法:离线.run安装：从官网下载对应版本的.run安装包安装，安装过程很复杂！在离线.deb安装：deb安装分离线和在线，我都尝试过，鉴于捉急的网络速度，在线安装实在太久了！选择先离线下载了deb安装成功了，官网下载地址现在拥有了GPU,所以需要配置cuda，我选择安装的是

FR-CNN是Ross Girshick的新作，从文章来看FR-CNN比R-CNN和SPPNet都快很多。当然R-CNN和SPPNet也都是Girshick的作品，FR-CNN的正确率不仅超越Girshick自己的嫡出，也超过了DPM等其他方法。FR-CNN正如文章所说的是一个简单，并且Elegant的框架。和那些Pipeline的模型相比，的确是优雅很多的。当然FR-CNN本身也可以看作是一个Pi

文章： http://arxiv.org/abs/1506.01497 源码：坐等。。。。目录：Region Proposal NetworksTranslation-Invariant AnchorsA Loss Function for Learning Region ProposalsOptimization Sharing Convolutional Features for

通过对caffe已有模型进行finetune 实现医学图像CT肺 结节的预测与检测，并实现可视化

在Fast-R-CNN中，第一步需要先使用Selective Search方法提取图像中的proposals。基于CPU实现的Selective Search提取一幅图像的所有Proposals需要约2s的时间。在不计入proposal提取情况下，Fast-R-CNN基本可以实时进行目标检测。但是，如果从端到端的角度考虑，显然proposal提取成为影响端到端算法性能的瓶颈。目前最新的EdgeBox

现在我正在利用imagenet进行finetune训练，待训练好模型，下一步就是利用模型进行分类。故转载一些较有效的相关博客。caffe程序自带有一张小猫图片，存放路径为caffe根目录下的 examples/images/cat.jpg, 如果我们想用一个训练好的caffemodel来对这张图片进行分类，那该怎么办呢？ 如果不用这张小猫图片，换一张别的图片，又该怎么办呢？如果学会了小猫图片的

最近终于新采购的硬件性能评测做完了！！！ 本次硬件性能测评的操作系统是Linux Ubuntu 14.04，主要从基础测试和专业深度学习框架测试两方面进行的测试。 基础测试用Phoronix Test Suite套件对新采购硬件系统进行了GPU、memory、CPU和IO的测试，并将测试结果上传到OpenBenchmarking.org网站，然后与旧的硬件系统的测试结果以及别人测试结果进行对比。

caffe finetune 　开始训练的命令： `./build/tools/caffe train -solver examples/mytask/solver.prototxt -weights examples在caffe中可以使用draw_net.py轻松地绘制卷积神经网络（CNN，Convolutional Neural Networks）的架构图。这个工具对于我们理解、学习甚至查错

http://www.cnblogs.com/alexcai/p/5469478.html之前的教程我们说了如何使用caffe训练自己的模型，下面我们来说一下如何fine tune。所谓fine tune就是用别人训练好的模型，加上我们自己的数据，来训练新的模型。fine tune相当于使用别人的模型的前几层，来提取浅层特征，然后在最后再落入我们自己的分类中。fine

python调用caffe接口进行classify时提示Mean shape incompatible with input shape错误的解决方法修改caffe中python接口的源代码caffe/python/caffe/io.py，将if ms != self.inputs[in_][1:]: raise ValueError('Mean shape incom

1. 初识Caffe1.1. Caffe相对与其他DL框架的优点和缺点：优点：速度快。Google Protocol Buffer数据标准为Caffe提升了效率。学术论文采用此模型较多。不确定是不是最多，但接触到的不少论文都与Caffe有关（R-CNN，DSN，最近还有人用Caffe实现LSTM）缺点：曾更新过重要函数接口。有人反映，偶尔会出现接口变换的情况，自己很久前

作为一枚对机器学习有基础，但对深度学习一无所知的DL-er。就这样在深度学习的浪潮下，走上了Dl的探索道路。现在就开启学习记录之旅。。。。caffe在windows（无GPU）下安装的缘由：（1）电脑配置太low（2）从未接触过Linux（3）Caffe是一个清晰而高效的深度学习框架。Caffe的优势上手快：模型与相应优化都是以文本形式而非代码形式给出。      

近期要对医学图像在caffe上进行微调，总算找到一篇不错的文章，转载过来，方便查阅。网址：http://www.cnblogs.com/denny402/p/5137534.htmlcaffe团队用imagenet图片进行训练，迭代30多万次，训练出来一个model。这个model将图片分为1000类，应该是目前为止最好的图片分类model了。假设我现在有一些自己的图片想进

首先说明一点，在caffe中运行所有程序，都必须在CAFFE的根目录下进行，否则会出错。两个例子分别是mnist和cifar10，mnist被称为编程界的hello world。1.mnist例子介绍mnist是一个手写数字库，由DL大牛Yan LeCun进行维护。mnist最初用于支票上的手写数字识别, 现在成了DL的入门练习库。征对mnist识别的专门模型是

目前bug主要是create_imagenet.sh（来源于examples/imagenet）生成lmdb数据时产生的bug 1  mkdir  *_val_lmdb failed 这个一般是因为指定路径下已经存在了该文件，导致出现冲突问题，我最开始对于这问题是每次都手动敲码删除该文件，最后发现自己很笨，可以直接加个语句到create_imagenet.sh中：rm -rf $EXAMP

http://www.openu.ac.il/home/hassner/projects/cnn_agegender/

网上有很多caffe训练好的模型，有的时候我们仅仅想要方便的调用已经训练好的模型，利用python进行预测分类测试，查看可视化结果，这个时候，我们可以使用caffe为我们写好的python接口文件，我们在安装caffe的时候，有一步：make pycaffe。这个便是安装caffe的python 结果函数，把自己用的代码记录一下，以便日后直接复制粘贴使用。感觉使用python就是轻松，如果用caf

前言之前一直是在vmware虚拟上装ubuntu，无奈啊~多次出故障，也太耗磁盘容量了，设了100G都满了，在准备扩容的时候，发现我的系统挂了，跑了一天的数据没了，心碎啊！果断就换Ubuntu系统了！电脑配置：ubuntu 14.04 64bit8G 内存无显卡下面是具体的安装步骤，绝对真实有效！1、基本安装参照caffe官网 http://caffe.be

这篇论文主要使用特征金字塔网络来融合多层特征，改进了CNN特征提取。论文在Fast/Faster R-CNN上进行了实验，在COCO数据集上刷到了第一的位置，意味着其在小目标检测上取得了很大的进步。论文整体思想比较简单，但是实验部分非常详细和充分。 目前最新的基于深度学习的目标检测算法