BigCowPeking

caffe数据层的参数的含义

caffe中出现loss等于nan

caffe中CNN卷积计算量估算

caffe中1*1的卷积核的作用

深度学习：模型参数调优

caffe参数

caffe 参数的详解

深度学习调参：简短的注意事项

模型调参：绘制loss曲线图

模型调参：tips总结

模型调参：分步骤的提升模型的精度

caffe测试时间：每一层的时间我用的是ubuntu的caffe。在caffe的目录下在terminal中运行以下命令用以测试已经训练好的caffemodel的accuracy：（或者将以下命令放在.sh文件中运行）./build/tools/caffe test --model=./examples/mnist/lenet_train_test.proto

caffe

https://github.com/shicai/Caffe_Manualby Shicai Yang（@星空下的巫师）on 2015/08/06初始化网络#include "caffe/caffe.hpp"#include <string>#include <vector>using namespace caffe;char *proto = "H:\\Mod...

caffe中卷积的权重初始化

caffe中Python层的使用

caffe的solver的参数的含义和设置

caffe中数据层的参数含义

caffe中训练自己的数据集的步骤

Caffe Python接口编译

caffe中各层的参数

caffe下安装fasterRCNN缺少的python的库

caffe中的train_val.prototxt的文件的理解

caffe中添加新层(差分层)

深度学习中训练参数的调节

1：在caffe中最后输出的loss是smooth之后的loss，平均了过去N次的loss，在solver中可以设置，把这个值设为iter = 1，就会只输出当前迭代的loss.

深度学习调优

Smooth_L1_Loss函数的计算方式

caffe中添加Python层

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solver.prototxt配置文...