Caffe使用训练好的GoogleNet进行图像识别

最新推荐文章于 2020-11-12 22:01:47 发布

原创

最新推荐文章于 2020-11-12 22:01:47 发布 · 1.8k 阅读

7 ·

CC 4.0 BY-SA版权

本文详细介绍了如何利用Caffe深度学习框架，结合预先训练好的GoogleNet模型，进行图像识别任务。通过步骤分解，包括模型加载、预处理、前向传播等关键环节，帮助读者掌握在实际项目中应用Caffe进行图像识别的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

点击此处返回总目录

这节课讲解怎么在caffe中使用GoogleNet来实现图像的识别。

一、到caffe的GitHub上去下载训练好的GoogleNet模型。

地址：https://github.com/BVLC/caffe

models->bvlc_googlenet->点击下面的链接，下载。

提醒：不要半夜下载。可能是关闭的，半夜下不下来。

下载完后为：，有51M。

放到caffe-master\models\bvlc_googlenet文件夹下。

我们可以看一下GoogleNet的网络结构，使用绘图工具。比较恶心，就不粘上了。解释一下网络结构吧

//deploy.prototxt（不全，拿了一部分）

name: "GoogleNet"
layer {
name: "data"
type: "Input"
top: "data"
input_param { shape: { dim: 10 dim: 3 dim: 224 dim: 224 } } //一个批次10张图片。彩色图片。
}
layer {
name: "conv1/7x7_s2"
type: "Convolution"
bottom: "data"
top: "conv1/7x7_s2"
param {
lr_mult: 1
decay_mult: 1
}
param {
lr_mult: 2
decay_mult: 0
}
convolution_param {
num_output: 64
pad: 3 #外面补3圈0
kernel_size: 7
stride: 2
weight_filler {
type: "xavier"
std: 0.1 #标准差。但是对于"xavier"算法来说没用。当type为其他类型时，比如高斯算法时有用。
}
bias_filler {
type: "constant" #常数。为0.2。如果不设置就是0
value: 0.2
}
}
}
layer {
name: "conv1/relu_7x7"
type: "ReLU"
bottom: "conv1/7x7_s2"
top: "conv1/7x7_s2"
}
layer {
name: "pool1/3x3_s2"
type: "Pooling"
bottom: "conv1/7x7_s2"
top: "pool1/3x3_s2"
pooling_param {
pool: MAX