小咸鱼_的博客

本文讲解一些其它的常用层，包括：softmax_loss层，Inner Product层，accuracy层，reshape层和dropout层及其它们的参数配置。1、softmax-losssoftmax-loss层和softmax层计算大致是相同的。softmax是一个分类器，计算的是类别的概率（Likelihood），是Logistic Regression 的一种推广。Lo

深度网络(net)是一个组合模型，它由许多相互连接的层（layers)组合而成。Caffe就是组建深度网络的这样一种工具，它按照一定的策略，一层一层的搭建出自己的模型。它将所有的信息数据定义为blobs，从而进行便利的操作和通讯。Blob是caffe框架中一种标准的数组，一种统一的内存接口，它详细描述了信息是如何存储的，以及如何在层之间通讯的。1、blobBlobs封装了运行时的数

solver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是非凸的，没有解析解，我们需要通过优化方法来求解。solver的主要作用就是交替调用前向（forwar

本文假设你已经安装CUDA，CUDA版本是7.5。1.编译caffe的Windows版本happynear的博客已经介绍了如何在windows下编译caffe，这里把我自己编译的过程记录下来，也算是做做笔记，方便以后查看。1.1下载caffe-windows-master下载地址：caffe-windows-master1.2下载第三方库下载地址：3rdpa

说明：本博文假设你已经做好了自己的数据集，该数据集格式和VOC2007相同。做好数据集后，我们开始训练，下面是训练前的一些修改。1 、VOCdevkit2007\VOCcode\VOCinit.m的修改（1）路径的修改VOCopts.annopath=[VOCopts.datadir VOCopts.dataset '/Annotations/%s.xml'];VOCop

说明：主要思想是微调使用ImageNet预训练的CaffeNet模型参数，用来对车颜色进行分类。为了不和其他文件混乱，我们在examples下新建文件夹finetune_myself。1、准备caffenet模型在finetune_myself下新建文件夹，命名为models，将caffenet的train_val.prototxt、solver.prototxt和deploy.p

说明：本博文假设你已经做好了自己的数据集，该数据集格式和VOC2007相同。下面是训练前的一些修改。（做数据集的过程可以看这里）Faster-RCNN源码下载地址：Matlab版本：https://github.com/ShaoqingRen/faster_rcnnPython版本:https://github.com/rbgirshick/py-faster-rcnn

因为caffe-windows-master的代码比较多，看着很乱，所以想到把它封装成一个类来调用做图像分类，这里以GPU版本为例，记录一下自己封装成DLL和如何使用封装后的DLL的过程。1.打开解决方案首先，需要修改解决方案配置(默认是Release)，我们新建一个叫ReleaseGPU，平台修改为x64（因为用到的其他DLL是64位，配置成win32会出错），如下：

之前封装的代码只能有一个输出：http://blog.youkuaiyun.com/sinat_30071459/article/details/51823390并且有点问题，现在作了修改，模型可以有多个输出（当然也可以只有一个输出），如：这个例子有四个输出；代码输出的分类结果为：typedef std::pair Prediction;vector > predictions =

注意：该版本为CPU版本。用到的caffe-windows来自：https://github.com/happynear/caffe-windows先下载caffe-windows，解压；然后下载第三方库：https://pan.baidu.com/s/1eStyfrc  解压到caffe-windows-master，看起来是这样：caffe-windows-master\3rd

要运行caffe，需要先创建一个模型（model)，如比较常用的Lenet,Alex等， 而一个模型由多个层（layer）构成，每一层又由许多参数组成。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。层有很多种类型，比如Data,Convolution,Pooling等，层之间的数据流动是以Blobs的方式进行。

在激活层中，对输入数据进行激活操作（实际上就是一种函数变换），是逐元素进行运算的。从bottom得到一个blob数据输入，运算后，从top输入一个blob数据。在运算过程中，没有改变数据的大小，即输入和输出的数据大小是相等的。输入：n*c*h*w输出：n*c*h*w常用的激活函数有sigmoid, tanh,relu等，下面分别介绍。1、Sigmoid对每个

本文只讲解视觉层（Vision Layers)的参数，视觉层包括Convolution, Pooling, Local Response Normalization (LRN), im2col等层。1、Convolution层：就是卷积层，是卷积神经网络（CNN）的核心层。层类型：Convolution　　lr_mult: 学习率的系数，最终的学习率是这个数乘以so

转自这里solver.prototxt文件：net: "models/bvlc_reference_caffenet/train_val.prototxt"test_iter: 100test_interval: 1000base_lr: 0.01lr_policy: "step"gamma: 0.1stepsize: 100000display: 20max_iter:

主要是data层不同。1.txtimage_data_param { source: "examples/finetune_myself/train.txt" batch_size: 50 new_height: 256 new_width: 256 }用txt训练时，source路径设置为txt所在位置，batch_size看情况设置。并且要设

由于caffenet要用到图像均值文件，所以，我们可以利用imagenet中的计算图像均值的脚本，稍作修改即可。1.修改脚本具体如下：EXAMPLE=examples/finetune_myself #该路径为图像lmdb所在路径DATA=examples/finetune_myself/Image_mean #该路径为生成的均值文件保存路径TOOLS=build/tools

转自：原文solver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./bulid/tools/caffe train -solver *_solver.prototxt在Deep Learning中，往往loss function是非凸的，没有解析解，我们需要通过优化方法来求解。solver的主要作用

和ZF差不多，基本一样。不同的地方主要是网络模型的修改和训练结束后的修改。1-6参考Faster-RCNN+ZF用自己的数据集训练模型7.模型的修改（1）models\fast_rcnn_prototxts\vgg_16layers_fc6\train_val.prototxtinput: "bbox_targets"input_dim: 1 # to be changed o

1.编译windows版本的caffe用到了happynear提供的caffe-windows-master，编译caffe和matlab接口的过程看这里。2.修改caffe-windows-master\matlab\demo\classification_demo.m我修改的代码如下：function classification_demo()close all;

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，这些文

1、安装pydotsudo apt-get install python-pydot 2、安装graphvizsudo apt-get instll graphviz 3、绘制python draw_net.py ../examples/cifar10/cifar10_quick_train_test.prototxt cifa10.png也可以在下面的网站上绘制网络结构图

做的标签文件如下：（无打乱）image/Audi/000001.jpg 0image/Audi/000002.jpg 0image/Audi/000003.jpg 0image/Audi/000004.jpg 0image文件夹下是各类别文件夹，如下：Audi等文件夹内放的是该类别的图片。下面的代码只做了训练集和验证集，没有做测试集，可以自己修改代码做测试集。cl

前面做好了lmdb和均值文件，下面以Googlenet为例修改网络并训练模型。我们将caffe-master\models下的bvlc_googlenet文件夹复制到caffe-master\examples\imagenet下。（因为我们的lmdb和均值都在这里，放一起方便些）打开train_val.txt，修改：1.修改data层：layer { name: "da

主要是使用ImageNet里写好的脚本create_imagenet.sh1.新建文件夹myself为了不和其他文件弄混，在imagenet下新建文件夹，命名为myself(其他也行)，然后将create_imagenet.sh复制到myself下。2.拷贝数据到myself将数据集的train.txt和val.txt(或者是test.txt)拷贝到myself下，即：exam