深度學習2 Caffe問題彙總（不定期更細）

#cnn錯誤彙總（遇到就更新）

1.到caffe根目錄下 sudo make pycaffe

2.然後新增caffe路徑
import sys

sudo pip install lmdb

sudo pip install lmdb -i

利用sys新增對應模組的父目錄即可

解決方法： 用protoc從caffe/src/caffe/proto/caffe.proto生成caffe.pb.h和caffe.pb.cc

li@li:~/caffe/src/caffe/proto$ protoc --cpp_out=/home/li/caffe/include/caffe/ caffe.proto

//usr/lib/x86_64-linux-gnu/libstdc++.so.6: error adding symbols: dso missing from command line

解決方法： 是找不到libstdc++.so.6，解決方法是在makefile中加入：

libs += -l/usr/lib/x86_64-linux-gnu -lstdc++

prediction = net.predict( [input_image] )

出現： net.image_dims[0] 不是整數情況，

(1).甚至以為np.zeros()出現錯誤！最後發現

原因：net.image_dims 
out[25]: '/home/wishchin/caffe-master/python/caffe/imagenet/ilsvrc_2012_mean.npy'
(2).出錯原因：mean_file= caffe_root+"python/caffe/imagenet/ilsvrc_2012_mean.npy"
引用了錯誤的檔案
因此在初始化net的時候不引用meanfile就可以：
net = caffe.classifier(model_file,pretrained,mean_file,channel_swap=(2,1,0 )  , input_scale=255);
修改為：
net = caffe.classifier(model_file,pretrained);
可以執行！

prediction = net.predict( input_image )#prediction = net.predict( imagefile )

file 「/home/wishchin/caffe-master/python/caffe/classifier.py」, line 69, in predict

inputs[0].shape[2] ),

indexerror: tuple index out of range

原因找出來了：prediction = net.predict( input_image )

忘記 了填入列表，應該修改為：
prediction = net.predict( [input_image ] )

deploy 檔案中的資料層更為

layer }

}hape: 代表含義：

shape

layers

layers

layers 資料及其導數以blobs的形式在層間流動。

#caffe的各層定義

caffe層的定義由2部分組成：層屬性與層引數，例如

name:"conv1"

type:convolution
bottom:"data"
top:"conv1"
convolution_param
}

#blob

blob是用以儲存資料的4維陣列，例如

對於資料：number*channel*height*width

對於卷積權重：output*input*height*width
對於卷積偏置：output*1*1*1

網路引數的定義也非常方便，可以隨意設定相應引數。

甚至呼叫gpu運算只需要寫一句話：

solver_mode:gpu

training set：用於訓練網路

validation set：用於訓練時測試網路準確率
test set：用於測試網路訓練完成後的最終正確率

它們都是鍵/值對（key/value pair）嵌入式資料庫管理系統程式設計庫。

雖然 lmdb 的記憶體消耗是 leveldb 的1.1倍，但是 lmdb 的速度比 leveldb快10%至15%，更重要的是lmdb允許多種訓練模型同時讀取同一組資料集。

因此lmdb取代了leveldb成為caffe預設的資料集生成格式。

#預處理影象的leveldb構建

輸入：一批影象和label （2和3）

輸出：leveldb （4）

指令裡包含如下資訊：

conver_imageset （構建leveldb的可執行程式）

train/ （此目錄放處理的jpg或者其他格式的影象)

label.txt (影象檔名及其label資訊)

輸出的leveldb資料夾的名字

cpu/gpu (指定是在cpu上還是在gpu上執行code)

#cnn網路配置檔案

imagenet_solver.prototxt （包含全域性引數的配置的檔案）

imagenet.prototxt （包含訓練網路的配置的檔案）

imagenet_val.prototxt （包含測試網路的配置檔案）

#cnn資料問題

1.編寫程式將image和label轉換成datum格式，並寫入lmdb

2.data layer從lmdb中讀取datum格式的資料，然後轉化成乙個batch
3.從batch裡面把image和label的資料複製到top的記憶體或視訊記憶體
上述的2，3步可以檢視data_layer.cpp,base_data_layer.cpp和base_data_layer.cu這三個檔案，裡面和float_data半點關係都沒有，所以就算你把regression values儲存在datum的float_data裡面，data layer也不會把它讀出來的。

DL學習筆記 2 caffe使用步驟詳解

1 準備路徑 所有在以下兩個資料夾中分別放好 e f study vc2012 dl caffe vs2012 data verifycode train e f study vc2012 dl caffe vs2012 data verifycode test 命令列執行如下命令 下邊的 inpu...

深度學習相關問題彙總

記錄一下學習過程中的問題，防止遺忘 1.訓練集，驗證集和測試集的區別 train,dev,test。訓練集用以訓練模型獲得引數，驗證集用以防止模型對訓練集過擬合，二者是在訓練過程中可以看到的資料集，而測試集理論上我們是不能看到的，用以檢驗模型效果。2.卷積神經網路中，卷積層為了提取特徵值，可以縮小長...

機器學習崗位面試問題彙總 之 深度學習

自己結合網路內容總結，歡迎指正歡迎補充。最新更新 20170624 版本2 增加22 28 1.模式識別 機器學習 深度學習的區別與聯絡 模式識別 過去 程式 機器做智慧型的事 決策樹等 機器學習 熱點領域 給資料 學習資料 深度學習 前言領域 強調模型 2.早年神經網路被淘汰的原因 耗時 區域性最...