Caffe 應用實踐

2021-06-29 15:09:32 字數 985 閱讀 8243

一、資料整理

(1) 資料處理

標註類標籤

資料打亂---shuf

(2)  轉換成caffe可讀的leveldb或者lmdb儲存。

./build/tools/convert_imageset -backend=lmdb -resize_heiht=45 -resize_width=45 / /image_data/print_character/print_1/file_list.txt /data/train_lmdb

(3) 計算mean_file

./build_release/tools/compute_image_mean /data/eng/train_lmdb /data/eng/printchar_mean.binaryproto

二、設計網路結構

(1) 啟動caffe訓練

./build/tools/caffe train --solver=./solver.prototxt

(2) solver配置檔案 solver.prototxt

(3) 網路結構配置檔案 train_val.prototxt

三、訓練結果

3.1 模型訓練

(1) 迭代10w次

accuracy: 0.961453

loss: 0.09485

四、基於現有訓練模型,使用caffe直接識別

/root/caffe-parallel/./build/tools/caffe test --weights=/data/model__iter_90000.caffemodel --model=/data/train_val.prototxt    --gpu=1 --iterations=1

這是乙個測試訓練模型的命令,可以修改caffe的**,儲存識別結果。

Caffe實踐 基於Caffe的人臉識別實現

深度學習深似海 尤其是在影象人臉識別領域,最近幾年的頂會和頂刊常常會出現沒有太多的理論創新的文章,但是效果擺在那邊。deepid是深度學習方法進行人臉識別中的乙個簡單,卻高效的乙個網路模型,其結構的特點可以概括為兩句話 1 訓練乙個多個人臉的分類器,當訓練好之後,就可以把待測試影象放入網路中進行提取...

Caffe實踐 基於Caffe的人臉識別實現

caffe實踐 基於caffe的人臉識別實現 目錄 導言資料選擇 資料處理 資料轉換 1 劃分訓練集驗證集 2 資料轉換 訓練網路 lfw上測試 結果分析 深度學習深似海 尤其是在影象人臉識別領域,最近幾年的頂會和頂刊常常會出現沒有太多的理論創新的文章,但是效果擺在那邊。deepid是深度學習方法進...

Caffe實踐 損失函式解析

在有監督的機器學習中,需要有標籤資料,與此同時,也需要有對應的損失函式 loss function 在caffe中,目前已經實現了一些損失函式,包括最常見的l2損失函式,對比損失函式,資訊增益損失函式等等。在這裡做乙個筆記,歸納總結caffe中用到的不同的損失函式,以及分析它們各自適合的使用場景。輸...