摘要：
1. 在深度学习中，当数据量不够大时候，常常采用下面4中方法： （1）人工增加训练集的大小. 通过平移, 翻转, 加噪声等方法从已有数据中创造出一批"新"的数据.也就是Data Augmentation （2）Regularization. 数据量比较小会导致模型过拟合, 使得训练误差很小而测试误差 阅读全文
摘要：
在深度学习的实际应用中，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中经常使用的数据类型是lmdb或leveldb，因此就产生了这样的一个问题：如何从原始图片文件转换成caffe中能够运行的db（leveldb/lmdb)文件 阅读全文