2016年8月17日
摘要：
一，train.sh 二，test.sh 阅读全文
摘要：
1: 神经网络中，我们通过最小化神经网络来训练网络，所以在训练时最后一层是损失函数层（LOSS）， 在测试时我们通过准确率来评价该网络的优劣，因此最后一层是准确率层（ACCURACY）。 但是当我们真正要使用训练好的数据时，我们需要的是网络给我们输入结果，对于分类问题，我们需要获得分类结果，如下右图 阅读全文
摘要：
一，train_val.prototxt 二，solver.prototxt 三，deploy.prototxt 参考一： 模型就用程序自带的caffenet模型，位置在 models/bvlc_reference_caffenet/文件夹下, 将需要的两个配置文件，复制到myfile文件夹内 修改 阅读全文
摘要：
个人实践代码如下： 参考一：图片减去均值再训练，会提高训练速度和精度。因此，一般都会有这个操作。 caffe程序提供了一个计算均值的文件compute_image_mean.cpp，我们直接使用就可以了 接着，计算均值，打开make_imagenet_mean.sh，修改： 这样，均值文件就计算好了 阅读全文
摘要：
个人实践代码如下： 结果生成两个文件：00b_train_lmdb.sh; 00b_val_lmdb.sh 参考一： 由于参数比较多，因此我们可以编写一个sh脚本来执行命令： 首先，创建sh脚本文件： 编辑，输入下面的代码并保存 [cpp] [cpp] [cpp] 注释：/convert_image 阅读全文
摘要：
结果会在：home/wp/CAFFE/caffe-master/myself/00b目录下生成train.txt,val.txt 参考一： 在深度学习的实际应用中，我们经常用到的原始数据是图片文件，如jpg,jpeg,png,tif等格式的，而且有可能图片的大小还不一致。而在caffe中经常使用的数 阅读全文
摘要：
一次创建下列文件： 1，create_txt.sh (create_filelist.sh) 2，create_lmdb.sh 3，make_mean.sh 4，train.prototxt+val.prototxt=train_val.prototxt; deploy.prototxt(用于pyt 阅读全文
摘要：
转载：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 Trade Neural Networks: Tricks 阅读全文
摘要：
学习需要更新，网上有一些非常不错博客. 感谢这些博主，他们都很认真。 00、tornadomeet 0、denny的学习专栏 1、xizero00 2、lingerlanlan 3、iamzhangzhuping 4、zhangwang 5、yhl_leo 6、在路上 7、seven_first ８ 阅读全文