mnist

本文大多转载自 http://blog.csdn.net/guoyk1990/article/details/52909864，加入部分自己实战心得。 1、环境：windows 7\VS2013 2、caffe-windows准备 (1) 下载官方caffe-windows 并解压，将 .\windows\CommonSettings.props.example备份，并改名为CommonSettings.props。如图4所示： 图 4：修改后的CommonSettings.props文件 附带说明，现在最新版的github已经更新，没有上述文件，根据大佬说法用cmake编译后能产生sln文件，笔者不才，并不会，这里提供百度云盘的老版本： caffe提供Windows工具包(caffe-windows)：https://github.com/BVLC/caffe/tree/windows 百度云下载地址：链接：http://pan.baidu.com/s/1bp1BFH1 密码：phf3 (2)关于CommonSettings.props文件的一点说明。 [html] view plain copy </ pre > < pre name= "code" class= "html" > <? xml version= "1.0" encoding= "utf-8" ?> <

本文将参考 TensorFlow中文社区官方文档 使用mnist数据集训练一个多层卷积神经网络( LeNet5网络 )，并利用所训练的模型识别自己手写数字。 训练MNIST数据集，并保存训练模型 # Python3 # 使用LeNet5的七层卷积神经网络用于MNIST手写数字识别 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data", one_hot=True) # 为输入图像和目标输出类别创建节点 x = tf.placeholder(tf.float32, shape=[None, 784]) # 训练所需数据 占位符 y_ = tf.placeholder(tf.float32, shape=[None, 10]) # 训练所需标签数据 占位符 # *************** 构建多层卷积网络 *************** # # 权重、偏置、卷积及池化操作初始化,以避免在建立模型的时候反复做初始化操作 def weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) # 取随机值

一、前言 本文会详细地阐述caffe-windows的配置教程。由于博主自己也只是个在校学生，目前也写不了太深入的东西，所以准备从最基础的开始一步步来。个人的计划是分成配置和运行官方教程，利用自己的数据集进行训练和利用caffe来实现别人论文中的模型(目前在尝试的是轻量级的SqueezeNet)三步走。不求深度，但求详细。因为说实话caffe-windows的配置当初花了挺多时间的，目前貌似还真没有从头开始一步步讲起的教程，所以博主就争取试着每一步都讲清楚吧。 这里说些题外话：之所以选择SqueezeNet是因为相比于目前互联网行业深度学习应用的火热，移动设备端的深度学习应用实在少得可怜。如果我没记错地话，苹果在2016年9月7日发布会中提到了机器学习两次，其中ios10的一个亮点就是利用深度学习技术实现照片中人脸的自动识别归类，私下里测试了下效果很不错。当然缺点也显而易见：由于需要大量的计算，目前只在用户接通电源的情况下才会去识别。我的师兄们也尝试过用深度学习做移动设备端应用的开发，不过最后由于花费时间太长改成了上传到服务器端完成。所以计算量大应该算是深度学习应用向移动设备端转移的一个很大问题。不过，有理由相信今后移动设备端的深度学习应用会变得越来越多，也会是一个前景广阔的市场。 二、环境 系统版本：Windows 10 专业版 64位 Visual Studio版本

老规矩，首先附上官方教程： http://caffe.berkeleyvision.org/gathered/examples/mnist.html 注：关于caffe的安装教程请看我的上一篇文章 1、必要软件 　　因为Caffe中使用的是Linux才能运行的shell脚本，因此首先的安装 wget （将wget放入C:\windows\system32）和 Git 方能运行。 2、而后按照官方教程，首先进入caffe路径的根目录，而后打开cmd输入命令： ./data/mnist/get_mnist.sh 这个命令是通过打开/data/mnist目录下的get_mnist.sh脚本来下载mnist的数据，若cmd出现错误可以直接进入打开get_mnist.sh脚本效果是一样的，运行完成后会出现如下4个数据文件： 而后继续输入以下命令，或者进入路径打开也一样 ./examples/mnist/create_mnist.sh 若不存在该文件可以自己创建一个create_mnist.sh，具体的代码如下（注：第九行BUILD可能老版本的路径会不一样，根据自己路径来修改）： #!/usr/bin/env sh # This script converts the mnist data into lmdb/leveldb format, # depending on the value

1、数据。mnist_test_lmdb和mnist_train_lmdb数据 2、路径。 （1）修改lenet_train_test.prototxt文件，训练和测试两处 source: "....省略/examples/mnist/mnist-train-leveldb" //写上你的绝对路径 backend: LEVELDB //格式改成LEVELDB（2）修改lenet_solver.prototxt文件： net: "....省略/examples/mnist/lenet_train_test.prototxt" //绝对路径 snapshot_prefix: "....省略/examples/mnist/lenet" //绝对路径 solver_mode: CPU //CPU模式 3、右键caffe打开属性： 在Command Arguments输入： train --solver=前面的绝对路径/mnist/lenet_solver.prototxt 4、 确定后debug caffe,大功告成！ 1、训练完后，会生成lenet_iter_5000.caffemodel，lenet_iter_5000.solverstate，lenet_iter_10000.caffemodel，lenet_iter_10000.solverstate四个文件 2、产生均值文件

学了本文你能学到什么？仅供学习，如有疑问，请留言。。。 目录 # 3.5 图像分类数据集（Fashion-MNIST）''' # 3.5.1 获取数据集 # 3.5.2 读取小批量 # 3.5 图像分类数据集（Fashion-MNIST） '' ''' 总结 Fashion-MNIST是一个10类服饰分类数据集，之后章节里将使用它来检验不同算法的表现。 我们将高和宽分别为hh和ww像素的图像的形状记为h×wh×w或(h，w)。 ''' """ 本节我们将使用torchvision包，它是服务于PyTorch深度学习框架的，主要用来构建计算机视觉模型。torchvision主要由以下几部分构成： torchvision.datasets: 一些加载数据的函数及常用的数据集接口； torchvision.models: 包含常用的模型结构（含预训练模型），例如AlexNet、VGG、ResNet等； torchvision.transforms: 常用的图片变换，例如裁剪、旋转等； torchvision.utils: 其他的一些有用的方法。 import torch import torchvision import torchvision.transforms as transforms import matplotlib.pyplot as plt import time