Terrenceyuu的博客

caffe基础-11绘制网络１、安装graphViz：# sudo apt-get install graphviz2、安装pip(if need)：参考：https://zhidao.baidu.com/question/1240554972151163659.html3 、安装pydot：# sudo pip install pydot4、绘图命令：sudo python /home/t

1、 准备AlexNet模型的相关caffe资料在Github均可见，https://github.com/BVLC/caffe/tree/master/models/bvlc_reference_caffenet我们把这个训练好的模型下载下来后，测试一下模型的分类效果。在目录：/home/username/caffe/examples/images下，有一些小猫的图片。我们以其作为模型的输入

caffe基础-10常见训练命令解析###训练网络#sudo sh ./build/tools/caffe train --solver=examples/mnist/train_lenet.sh-solver：必选参数。一个protocol buffer类型的文件，即模型的配置文件。如：# ./build/tools/caffe train -solver examples/mnist/lene

caffe基础-09solver超参数文件配置#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。#caffe提供了六种优化算法来求解最优参数，在solver配置文件中，通过设置type类型来选择。 Stochastic Gradient Descent (type: "SGD"),#SGD做不了，其他算法基本也不行 AdaDelta (type: "A

caffe基础-07Reshape层的配置#作用：在不改变数据的情况下，改变输入的维度layer { name: "reshape" type: "Reshape" bottom: "input" top: "output" reshape_param { shape { dim: 0 # copy the dimension f

caffe基础-06softmax层的配置#softmax-loss layer：输出loss值 具体参见 #http://blog.youkuaiyun.com/supercally/article/details/54234115layer { name: "loss" type: "SoftmaxWithLoss" bottom: "ip1" bottom: "label" top:

caffe基础-05全连接层的配置#全连接层，输出的是一个简单向量 参数跟卷积层一样layer { name: "ip1" type: "InnerProduct" bottom: "pool2" top: "ip1" param { lr_mult: 1 } param { lr_mult: 2 } inner_product_param {

caffe基础-04池化层的配置#在激活层（接在每个卷积层后）中，对输入数据进行激活操作,是逐元素进行运算的,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。###Sigmoid （求导导致0，不使用）layer { name: "test" bottom: "conv" top: "test" type: "Sigmoid"}#ReLU是目前使用最多的激活函数

caffe基础-03池化层的配置layer { name: "pool1" type: "Pooling" bottom: "conv1" top: "pool1" pooling_param { pool: MAX #池化方法，默认为MAX。目前可用的方法有MAX, AVE kernel_size: 3 #池化的核大小 stride: 2 #池化的步长，

caffe基础-02卷积层的配置layer { name: "conv1" type: "Convolution" #卷积层 bottom: "data" top: "conv1" param { #最终的学习率是这个数乘以solver.prototxt配置文件中的base_lr。 lr_mult: 1 #lr_mult: w学习率的系数， } param

caffe基础-01数据层的配置layer { name: "cifar" type: "Data" #代表是数据层，第一层 top: "data" #一般用bottom表示输入,top表示输出，多个top代表有多个输出 top: "label" #计算loss include { phase: TRAIN #仅用于TRAIN，训练网络分为训练阶段和自测试阶段,如果

caffe应用-01灰度图像分类之手写体数字识别很多情况下，我们去做图像的分类可能和图像的颜色没有太大的关系，像手写体识别，人脸识别等。mnist的这个例子是caffe官方自带的，他的数据源包括60000张的训练数据以及10000张的测试数据。其中，每张都是大小为28*28像素的单通道（灰度值为0-255）图片。1.制作lmdb数据源将所需图片文件夹（tain和test）下载后放在一个文件夹

caffe基础-12如何成功跑通caffe的examplecaffe/examples/mnist目录下有个lenet_train_test.prototxt文件，这个网络是官方库用来做手写体识别的。其网络结构如下图所示（绘图命令参考http://blog.youkuaiyun.com/terrenceyuu/article/details/76531679）： 由于lmdb数据源在安装caffe后是没有的，

准备数据集cifar10的数据集介绍见官网：https://www.cs.toronto.edu/~kriz/cifar.html它是个小的数据集，有10个类。每张图片的size是33*32*3，一共有60000张图片。我们可以在官网下载其二进制的版本，放到~/caffe/data/cifar10文件夹下。执行脚本：get_cifar10.sh，其内容如下，要注意注释掉wget 命令（因为