凌风探梅的专栏

from： http://blog.youkuaiyun.com/chenriwei2/article/details/49500687导言深度学习深似海、尤其是在图像人脸识别领域，最近几年的顶会和顶刊常常会出现没有太多的理论创新的文章，但是效果摆在那边。DeepID是深度学习方法进行人脸识别中的一个简单，却高效的一个网络模型，其结构的特点可以概括为两句话：1、训练一个多个人脸的分类器

ｆｒｏｍ：　http://blog.youkuaiyun.com/liumaolincycle/article/details/47336921本文主要来自Caffe作者Yangqing Jia网站给出的examples。@article{jia2014caffe, Author = {Jia, Yangqing and Shelhamer, Evan and Donahue, Jeff an

1 GPU设备２ GPU驱动和开发工具３ Caffe３．１ 编译工具3.2 基本依赖

1 GPU设备1.1 本人使用的GPU设备名称：　七彩虹GTX980Ti显卡iGame980Ti烈焰战神X 6G１．２ 硬件问题Laboratory Tested Hardware: Berkeley Vision runs Caffe with K40s, K20s, and Titans including models at ImageNet/ILSV...

1 路线图【Caffe是什么？】Caffe是一个深度学习框架，以代码整洁、可读性强、运行速度快著称。代码地址为：https://github.com/BVLC/caffe【博客目的】从接触Caffe、编译运行、阅读代码、修改代码一路走来，学习到不少内容，包括深度学习理论，卷积神经网络算法实现，数学库MKL，计算机视觉库OpenCV，C++模板类使用，CUDA程序

Caffe、TensorFlow、MXnet三库对比Google开源了他们内部使用的深度学习框架TensorFlow，结合之前开源的MXNet和Caffe，对三个开源库做了一些讨论。本文首先对三个库有个整体的比较，再针对一些三者设计的不同数据结构、计算方式、gpu的选择方式等方面做了比较详细的讨论。表格1是三者的一些基本情况的记录和比较。其中示例指的是官方给出的exampl

Caffe 实践DeepID(人脸识别)

油画风格(Neural style)

ｆｒｏｍ：　http://www.2cto.com/kf/201607/527860.htmlPreface这两天文章也看了不少，Caffe、Theano、Torch 也都用过。其实个人认为，这本书对于已经深入这个领域已定时间的人来说，帮助不大。本书讲述的只是“术“，有点像深度学习的说明书，讲的很浅。但是翻了一翻，还是有点收获的，这个 MNIST 手写数字识别是深度学习入门很经典的

DeepID2:Deep Learning Face Representation by Joint Identification-Verification

DeepID2+:Deeply Learned Attributes for Crowded Scene Understanding

from:http://blog.youkuaiyun.com/chenriwei2/article/details/46432727写在前面：Caffe 中有众多的网络层，最新版本的代码已经涵盖了很多种类型的网络层，然而，有时候由于各种原因，其给定的网络层不能满足我们的要求，这时候就要对其更改，以使其满足自己的需求，感谢作者开源代码以及众多的代码维护者。由于Caffe 中的网络层都是

from：http://blog.youkuaiyun.com/chenriwei2/article/details/49706563引言如果关注Kaggle 机器学习项目的同学，一定很熟悉人脸关键点检测这个任务，在2013 年的时候，ICML举办一个的challgene，现在放在kaggle 上作为 一种最常规kaggle入门任务而存在。本文的主要目的在于验证深度学习模型在人脸点

安装安装前，最好阅读下面的安装指导并注意和你的系统平台相关的细节问题。我们已经在 Ubuntu 14.04, Ubuntu 12.04, OS X 10.9,和OS X 10.8系统上成功的编译安装了Ｃaffe。PrerequisitesCaffe 依赖于很多的软件包。CUDA 依赖库，版本 6.5 (推荐), 6.0, 5.5, 或 5.0，以及他们最新版本的驱动，  C

作者：薛云峰(https://github.com/HolidayXue)，主要从事视频图像算法的研究，就职于浙江捷尚视觉科技股份有限公司担任深度学习算法研究员。 本文来源微信公众号：深度学习大讲堂。 原文：深度学习框架Caffe源码解析 欢迎技术投稿、约稿、给文章纠错，请发送邮件至heyc@youkuaiyun.com相信社区中很多小伙伴和我一样使用了很长时间的Caffe深度学习框架，也

1、准备数据。可以从MNIST官网上下载数据，或者执行data文件夹里get_mnist.sh文件（需要安装wget或者gunzip），下载成功会有如下两个数据集：/data/mnist-train-leveldb和/data/mnist-test-leveldb. 2、训练和测试模型。我们使用LeNet网络来训练模型，该算法是数字识别的最好方法。L

Ｃａｆｆｅ　网页　ｄｅｍｏ　搭建，完成一个在线实时图像分类识别ｗｅｂ系统

DeeoID:Deep learning face representation from predicting 10,000 classes

DeepID3:Face Recognition with Very Deep Neural Networks

针对Intel发表的一份关于Xeon Phi与NVIDIA GPU深度学习性能对比的Benchmark，NVIDIA加速计算业务副总裁Ian Buckf撰写博客文章，对Intel的核心观点进行逐一驳斥，重点指责Intel在与过时的软硬件PK。基准（benchmark）是衡量性能的一个重要工具，但是在一个快速发展的领域，它很难跟得上技术发展的脚步。最近，英特尔就针对其传闻已久的X

网：http://caffe.berkeleyvision.org/1.最原始的最开始版本：伯克利BVLC版https://github.com/BVLC/caffe主要在Linux上运行，有matlab和Python接口傻瓜都能学会的配置教程：Caffe+Ubuntu14.04+CUDA6.5新手安装配置指南：http://www.haodaima.net/art/2

在车库咖啡见到了传说的中的大牛 黄畅博士 @黄畅_了解的不只是人脸 ，黄博士对于识图技术进行了一个综述，下面是这次报告的总结。1. 关于机器学习优化的目的：黄博士提到机器学习并非以求最优为目的，而是以控制overfitting为目的。这个非正式报告中提到的问题，而是在讲座开始前和黄博士交流的时候提到的，引来几个同学的疑问，首先来解释一下这个问题微博上大家也都提到了一些看法：

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

Caffe CNN特征可视化转载请注明出处，楼燚(yì)航的blog，http://www.cnblogs.com/louyihang-loves-baiyan/以下部分代码是根据caffe的python接口，从一次forword中取出param和blob里面的卷积核 和响应的卷积图。import numpy as npimport matplotlib.py

深度学习与计算机视觉(11)_基于deep learning的快速图像检索系统作者：寒小阳 时间：2016年3月。 出处： 声明：版权所有，转载请联系作者并注明出处1.引言本系统是基于CVPR2015的论文《Deep Learning of Binary Hash Codes for Fast Image Retrieval》实现的海量数据下的基于内容图片检索系

正常的CNN，其输入是图像，其输出是一个label整数，其正是用Caffe的底层数据Datum（Image，LMDB，LevelDB的基础）来表示message Datum { optional int32 channels = 1; optional int32 height = 2; optional int32 width = 3; // the actual image

from： http://blog.youkuaiyun.com/chenriwei2/article/details/503210850. 引言深度学习可以说是在人脸分析相关领域遍地开花，近年来在人脸识别，深度学习在人脸检测，人脸关键点检测中有很广泛的应用，这篇文章中，初步实现了基于深度学习CNN的人脸检测。1. 方法讨论深度学习一般没有进行直接的检测，现有的检测大多都是基于

Caffe实践】如何利用Caffe训练ImageNet分类网络源文章：https://github.com/BVLC/caffe/tree/master/examples/imagenet由于要使用Caffe进行深度学习的二次开发，所以找到上面这个如何训练网络的一些操作过程，不是每一句都翻译过来，但是终究不是原创，权当做自己的学习笔记。

from：http://www.wtoutiao.com/p/1cbxddO.html最近Google开源了他们内部使用的深度学习框架TensorFlow[1]，结合之前开源的MXNet[2]和Caffe[3]，对三个开源库做了一些讨论，其中只有Caffe比较仔细的看过源代码，其他的两个库仅阅读官方文档和一些研究者的评论博客有感，本文首先对三个库有个整体的比较，再针对一些三者设计的不同数据

本文介绍如何使用caffe对自己的图像数据进行分类。1 图片数据库准备由于图片数据收集比较费时，为了简单说明，我用了两类，dog和bird，每种约300张。train200张，val100张。新建一个文件夹mine，放自己的数据，在mine文件夹下新建train和val文件夹，train文件夹下新建bird和dog两个文件夹分别存放200张bird和200张dog，val文

原文地址：CIFAR-10在caffe上进行训练与学习-薛开宇" style="text-decoration:none; color:rgb(62,115,160)">caffe读书笔记1 CIFAR-10在caffe上进行训练与学习-薛开宇作者：残夕云翳本次学习笔记作用，知道如何在caffe上训练与学习，如何看结果。 1.1使用数据库：CIFAR-10 

Caffe训练ImageNet使用的是NIPS 2012 paper论文的算法。 1、准备数据。假设已经下载好数据集和验证集，存储路径为：/path/to/imagenet/train/n01440764/n01440764_10026.JPEG/path/to/imagenet/val/ILSVRC2012_val_00000001.JPEG首选需

Caffe2——cifar10数据集创建lmdb或leveldb类型的数据时间：2015-05-05 15:52:31      阅读：5183      评论：0      收藏：1      [点我收藏+] 标签：class   log   com   代码   使用   src   http   si   html   Caffe2——cifar10数据集创建lmdb

转载请注明出处，楼燚(yì)航的blog，http://www.cnblogs.com/louyihang-loves-baiyan/目前呢，caffe，theano,torch是当下比较流行的Deep Learning的深度学习框架，楼主最近也在做一些与此相关的事情。在这里，我主要介绍一下如何在Caffe上微调网络，适应我们自己特定的新任务。一般来说我们自己需要做的方向，比如在一些特定的领域

[caffe]深度学习之CNN检测object detection方法摘要介绍 2015-08-17 17:44 3276人阅读 评论(1) 收藏 举报一两年cnn在检测这块的发展突飞猛进，下面详细review下整个cnn检测领域模型的发展，以及在时间性能上的发展。一、RCNN流程：Extract region(off model) + extr

Caffe fine-tuning 微调网络转载请注明出处，楼燚(yì)航的blog，http://www.cnblogs.com/louyihang-loves-baiyan/目前呢，caffe，theano,torch是当下比较流行的Deep Learning的深度学习框架，楼主最近也在做一些与此相关的事情。在这里，我主要介绍一下如何在Caffe上微调网络，适应我们

Caffe是一个清晰而高效的深度学习框架，其作者是博士毕业于UC Berkeley的 贾扬清，目前在Google工作。Caffe是纯粹的C++/CUDA架构，支持命令行、Python和MATLAB接口；可以在CPU和GPU直接无缝切换：Caffe::set_mode(Caffe::GPU);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。

Caffe使用step by step：caffe框架下的基本操作和分析时间：2015-10-16 11:40:09      阅读：808      评论：0      收藏：0      [点我收藏+]标签：　　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

Caffe的全称应该是Convolutional Architecture for Fast Feature Embedding，它是一个清晰、高效的深度学习框架，它是开源的，核心语言是C++，它支持命令行、python和Matlab接口，它既可以在CPU上运行也可以在GPU上运行。它的license是BSD 2-Clause。Deep Learning比较流行的一个原因，主要是因为它

【self-taught learning】快速稀疏编码算法 Self-taught learning是Honglak Lee等开发的一个matlab框架，能够实现他们在论文Self-taught Learning Transfer Learningfrom Unlabeled Data和Efficient sparse coding algorithms中提出的快速实现图像稀疏编