u012910595的博客

首先从solver中读入并生成一个solver，然后根据solver的net路径生成一个net，net调用layer_factory循环生成每个层，最后根据读入module或是filler来初始化参数。从上面的流程可以知道layer_factory是循环生成每个层，.cpp文件也的确写了#if WITH_PYTHON_LAYER，然后有什么什么操作，比如储存python layer的pytho

当用fast-rcnn训练自己的数据集时，遇到registry.count(type) == 1 (0 vs. 1) Unknown layer type: Python尝试了网上很多种解决方案，修改Makefile文件，修改Makefile.config文件，设置PYTHONPATH，问题都没有解决最后清理原来已经，make好的caffe框架与和其python的接口，重新make，出乎意

在用fast rcnn训练自己的数据集的时候，出现了Check failed: ShapeEquals(proto) shape mismatch (reshape not set) 的问题。起初以为是图像尺寸的原因（所有的图像都是统一尺寸，但是是640*480的），后来在网上找解决方案的时候，看到有人说可能是由于调整了网络结构导致的。然后将预训练模型换成用imagenet预训练好的模型以后，

不知道是不是版本的原因，用fast rcnn训练自己的数据集时，好几次碰到了数据类型出错的问题（索引不是整型）。一是，minibatch.py中，_sample_rois(roidb, fg_rois_per_image, rois_per_image, num_classes)函数中， if fg_ins.size > 0: fg_inds = npr.choice(fg_inds, siz

正如caffe的examples所提，CNN model并不是一个黑盒，caffe提供了工具来查看cnn各层的所有输出1.查看CNN各层的activations值的结构（即每一层的输出）代码如下：# 显示每一层for layer_name, blob in net.blobs.iteritems(): print layer_name + '\t' + str(b

1、梯度爆炸原因：在学习过程中，梯度变得非常大，使得学习的过程偏离了正常的轨迹症状：观察输出日志（runtime log）中每次迭代的loss值，你会发现loss随着迭代有明显的增长，最后因为loss值太大以至于不能用浮点数去表示，所以变成了NaN。可采取的方法：1.降低学习率，比如solver.prototxt中的base_lr，降低一个数量级（至少）。如果在你的模型中有多个loss

Labeling Tool