随笔分类 - Caffe
摘要：说明： 如果要把训练好的模型拿来测试新的图片，那么需要一个deploy.prototxt文件，这个文件和test.prototxt文件差不多。这个文件没有第一层数据输入层，最后的SoftmaxWithLoss损失率层换成了 Softmax类概率层。 使用deploy网络进行测试时，需要通过caffe
阅读全文
摘要：说明： 通过使用LeNet网络模型来训练mnist数据集，分别使用直接读入图片方式和通过lmdb读入两种方式来训练LeNet。训练结果准确率可达到99.2%。 步骤： 1.通过直接读入图片方式 vim train_mnist.py # -*- coding: utf-8 -*- """ yuanda
阅读全文
摘要：说明： caffe通过配置文件prototxt来描设置训练参数，通过Python接口来生成solver配置文件比较简单。 步骤： 1.生成配置文件 touch create_solver_prototxt.py spyder create_solver_prototxt.py 1 #!/usr/bi
阅读全文
摘要：说明： caffe通过配置文件prototxt来描述网路结构，通过Python接口来生成网路配置文件比较简单。这里生成train.prototxt和test.prototxt，分别用于训练阶段和验证阶段。 步骤： 1.生成配置文件 touch create_train_val_prototxt.py
阅读全文
摘要：说明： 图片减去均值后，再进行训练和测试，会提高速度和精度。因此，一般在各种模型中都会有这个操作。 那么这个均值怎么来的呢，实际上就是计算所有训练样本的平均值，计算出来后，保存为一个均值文件，在以后的测试中，就可以直接使用这个均值来相减，而不需要对测试图片重新计算。 步骤： touch comput
阅读全文
摘要：说明： 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,png等格式，而且有可能图片的大小还不一致。在caffe中经常使用的数据类型是lmdb或leveldb，因此就需要把原始图片文件转换成caffe中能够运行的lmdb/leveldb文件。 把图片转换成数据库需要分两步。第一步
阅读全文
