YLH9604的专栏

在运行convert_cifar_data时，遇到Check failed: status.ok() Failed to open leveldb.这个问题，及解决方法，把output目录下的内容全部删除重新运行就可以了，D:\Caffe\bin>convert_cifar_data.exe input outputF1009 19:48:47.309582  5300 convert

Batch_Size（批尺寸）是机器学习中一个重要参数，涉及诸多矛盾，下面逐一展开。首先，为什么需要有 Batch_Size 这个参数？Batch 的选择，首先决定的是下降的方向。如果数据集比较小，完全可以采用全数据集 （ Full Batch Learning ）的形式，这样做至少有 2 个好处：其一，由全数据集确定的方向能够更好地代表样本总体，从而更准确地朝向极值所在的方向。其

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 中的网络层都是直接或者间接地给予Layer 基类，所以，在我们需要添加新的类型时，就需要选择好自己的基类，以使我们能够更好的利用基类已有的一些方法。我们新建的类可

折腾了半天，原来在caffe自带的转换数据程序（convert_imageset.exe）中有个选项。哎，原来只懂个皮毛，就认为自己什么都会了，惭愧惭愧！首先用convert_imageset.exe --help 查看都有哪些选项：[FLAGS] 就是参数选项，此函数的具体使用可以参看我的另一篇博客：caffe学习笔记-数据库制作是命令格式（windows版）具体有哪些参数呢？

Selective Search for Object Recognition是J.R.R. Uijlings发表在2012 IJCV上的一篇文章。主要介绍了选择性搜索（Selective Search）的方法。选择性搜索综合了蛮力搜索（exhaustive search）和分割（segmentation）的方法。选择性搜索意在找出可能的目标位置来进行物体的识别。与传统的单一策

1）训练和测试自己的图片http://blog.youkuaiyun.com/langb2014/article/details/504585202） caffe学习资源汇总http://blog.youkuaiyun.com/langb2014/article/details/515433883）caffe调参经验资料文章http://blog.youkuaiyun.com/langb2014/arti

loss有一个细节问题就是Loss weights（损失权重），用来表征不同Layer产生的loss的重要性，Layer名称中以Loss结尾表示这是一个会产生loss的Layer，其他的Layer只是单纯的用于中间计算。任何一个Layer都可以被用于产生loss。反向迭代时，一个Layer可以赋予一个非零的loss weight，用于调整中间Layer产生的一些数据、参数。对于不止一个输出（t

import numpy as npimport lmdbfrom PIL import Imageimport sys# import caffe modulecaffe_root = '/home/user/SegNet/caffe-segnet/'sys.path.insert(0, caffe_root + 'python')import caffe

调参是个头疼的事情，Yann LeCun、Yoshua Bengio和Geoffrey Hinton这些大牛为什么能够跳出各种牛逼的网络？下面一些推荐的书和文章：调参资料总结Neural Network: Trick of the TradePractical Recommendations for Gradient-based Training of Deep Archite

Caffe源码（十一）：io.cpp 分析目录目录 简单介绍 主要函数ReadProtoFromTextFile 函数 WriteProtoToTextFile 函数 ReadProtoFromBinaryFile 函数 WriteProtoToBinaryFile 函数 ReadImageToCVMat 函数 matchExt 函数 CVMatToDatum 函数 ReadFileT

在caffe 中实现Generative Adversarial Nets（二）目录目录一添加Loss Function gan_loss_layerhpp gan_loss_layercpp 二添加gan_gate_layer gan_gate_layerhpp gan_gate_layercpp 三添加rand_vec_layer rand_vec_layerhpp rand_ve

#!/usr/bin/env python# 导入绘图库from pylab import *import matplotlib.pyplot as plt# 导入"咖啡"import caffe# 设置为gpu模式caffe.set_device(0)caffe.set_mode_gpu()# 使用SGDSolver，即随机梯度下降算法

1)数据层及参数http://www.cnblogs.com/denny402/p/5070928.html2)视觉层（Vision Layers)及参数http://www.cnblogs.com/denny402/p/5071126.html3)激活层（Activiation Layers)及参数http://www.cnblogs.com/denny402/p/5

1)导入相关库import caffe2)配置# caffemodel文件MODEL_FILE = 'model/_iter_10000.caffemodel'# deploy文件，参考/caffe/models/bvlc_alexnet/deploy.prototxtDEPLOY_FILE = 'deploy.prototxt'# 测试图片存放文件夹TEST_

https://github.com/Microsoft/caffe   微软版本caffe

1、第一层：数据层layers { name: "mnist" type: DATA data_param { source: "mnist_train_lmdb" backend: LMDB batch_size: 64 scale: 0.00390625 } top: "data" top: "label"}这是第一个层

Caffe学习系列(1)：安装配置ubuntu14.04+cuda7.5+caffe+cudnnhttp://www.cnblogs.com/denny402/p/5067265.htmlCaffe学习系列(2)：数据层及参数http://www.cnblogs.com/denny402/p/5070928.htmlCaffe学习系列(3)：视觉层（Visi

出处: http://xiahouzuoxin.github.io/notes/级别1：DL快速上手级别2：从Caffe着手实践级别3：读paper，网络Train起来级别4：Demo跑起来读一些源码玩玩熟悉Caffe接口，写Demo这是硬功夫分析各层Layer输出特征级别5：何不自己搭个CNN玩玩Train CNN时关于数据集的一些注意事项级别6：加速

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->模型训练->调参数->合理结果需要一个比较长的过程，这个过程中你需要对caffe中很多东西，细节进行深入的理解，这样才可以知道为什么能有这样的结果，在训练或者fine-tuning时知道针对调整的方法。下面针对caffe中的使用进行讲解。　　

原文标题为“R-FCN: Object Detection via Region-based Fully Convolutional Networks ”，作者代季峰 1，14年毕业的清华博士到微软亚洲研究院的视觉计算组，CVPR 16 两篇一作的会议主持人~ ╰(°▽°)╯ 同时公布了源码~ 2后面主要内容为原文随便的翻译或概括。必有不紧贴原文原意之处，曲解请指出，否则求放过~

CNN应用之性别、年龄识别原文地址：http://blog.youkuaiyun.com/hjimce/article/details/49255013作者：hjimce一、相关理论　　本篇博文主要讲解2015年一篇paper《Age and Gender Classification using Convolutional Neural Networks》，个人感

ReLU上的花样CNN出现以来，感觉在各个地方，即便是非常小的地方都有点可以挖掘。比如ReLU。ReLU的有效性体现在两个方面：克服梯度消失的问题加快训练速度而这两个方面是相辅相成的，因为克服了梯度消失问题，所以训练才会快。ReLU的起源，在这片博文里，对ReLU的起源的介绍已经很详细了，包括如何从生物神经衍生出来，如何与稀疏性进行关联等等。其中有一

DeepID实践转载请注明：http://blog.youkuaiyun.com/stdcoutzyx/article/details/45570221好久没有写博客了，I have failed my blog. 目前人脸验证算法可以说是DeepID最强，本文使用theano对DeepID进行实现。关于deepid的介绍，可以参见我这一片博文 DeepID之三代。当然DeepID最强

这篇文章可参考：http://www.cnblogs.com/cj695/p/4498270.html下载caffe拷贝Make.config.example Make.config修改Make.config 取消注释cpu-only，注释掉cuda相关的-----------------安装依赖的库------------------------参考docs/

http://blog.youkuaiyun.com/u010417185/article/details/52137825本文参考博文（1）介绍 *_train_test.prototxt文件与 *_deploy.prototxt文件的不同：http://blog.youkuaiyun.com/sunshine_in_moon/article/details/49472901    （2）生成deplo

1）解析mnist数据库http://blog.youkuaiyun.com/zc02051126/article/details/515571662）mnist实例编译之model的使用http://blog.youkuaiyun.com/zb1165048017/article/details/524471093）使用OPENCV训练手写数字识别分类器http://blog.csdn.ne

https://github.com/tostq/Caffe-Python-Tutorial