配置檔案製作完畢,訓練乙個自己的模型將變得非常簡單:
solver_path = '/home/***/data/solver.prototxt'
caffe.set_device(gpu_id) # 若不設定,預設為0
caffe.set_mode_gpu() # 設定計算模式為gpu計算
solver = caffe.sgdsolver(solver_path) # 載入solver
for _ in range(500) # 按照100次迭代為一次迴圈,這樣便於做一些引數的處理
solver.step(100)
現在得到了訓練好的資料,接下來測試一下剛才訓練好的資料在測試樣本上的表現情況
caffe.set_device(gpu_id) # 若不設定,預設為0
caffe.set_mode_gpu() # 設定計算模式為gpu計算
net = caffe.net( # 首先載入訓練好的模型
deploy_prototxt_path, # 用於分類的網路定義檔案路徑
caffe_model_path, # 訓練好模型路徑
caffe.test # 設定為測試階段
)sum = 0
for _ in range(100) # 如果每一批次的樣本為100個,這樣的話測試了10000個樣本
net.forward()
sum += net.blobs["accuracy"].data
sum /= 100 # 每100個樣本計算一次準確率,求和之後需要求平均再
測試乙個訓練好的caffe模型
在學習caffe的過程中,訓練了出了模型出來,出了當時的準確率和loss值,並沒有看到給定輸入看到真正的輸出,這個時候需要測試一下訓練出來的模型,實際檢視一下效果,其中用到的配置檔案和網路模型在caffe的目錄下都有,自己測試自己的模型時需要修改為自己的 prototxt和 caffemodel u...
caffe例程一 mnist訓練與測試
說明 ubuntu16.04 caffe 注意 在caffe中執行所有程式,都必須在根目錄下進行,否則會出錯 mnist是乙個手寫數字庫,mnist資料訓練樣本為60000張,測試樣本為10000張,每個樣本為28 28大小的黑白,手寫數字為0 9,因此分為10類。首先切換到caffe根目錄下 su...
使用caffe微調VGG的乙個例子
1.得到資料集,對資料集做處理,處理成模型需要的資料格式,分出訓練集,驗證集以及測試集 2.為資料集生成標籤檔案,生成均值檔案。3.人臉資料劃分,轉換為lmdb。4.使用該資料通過以models finetune flickr style train val.prototxt 為模板,以vgg fa...