caffe

人脸识别(基于Caffe, 来自tyd) 人脸识别(判断是否为人脸) LMDB(数据库, 为Caffe支持的 分类 数据源) mkdir face_detect cd face_detect mkdir train val mkdir train/{0,1} mkdir val/{0,1} 将人脸数据放到 train/1 和 val/1 下 将非人脸数据放到 val/0 和 val/0 下 vim train.txt 0/xxx.jpg 0 1/xxx.jpg 1 vim val.txt 1/xxx.jpg 1 0/xxx.jpg 0 拷贝Caffe自带的脚本根据上面的train.txt和val.txt制作LMDB数据源, 名为 face_detect_lmdb.sh # 修改部分 EXAMPLE=/home/jh/face_detect DATA=/home/jh/face_detect TOOLS=caffe安装目录/build/tools TRAIN_DATA_ROOT=/home/jh/face_detect/train/ VAL_DATA_ROOT=/home/jh/face_detect/val/ # 对输入的数据进行大小的调整, 大小的调整是要根据我们要使用的网络模型, 比如AlexNet或者VGG(速度慢)为227x227 RESIZE=true if

版权声明：转载请注明出处，谢谢！ https://blog.csdn.net/Quincuntial/article/details/59109447 1. Parameters solver.prototxt 文件是用来告诉caffe如何训练网络的。 solver.prototxt 的各个参数的解释如下： base_lr 这个参数是用来表示网络的初始学习率的。这个值是一个浮点型实数。 lr_policy 这个参数是用来表示学习率随着时间是如何变化的。值是字符串，需要加 "" 。学习率变化的可选参数有： “step”——需要设置 stepsize 。根据 gamma 参数和 stepsize 参数来降低学习率， base_lr * gamma ^ (floor(iter / stepsize)) 。 iter 是当前迭代次数。学习率每迭代 stepsize 次变化一次。 “multistep”——与 step 类似，需要设置 stepvalue ，学习率根据 stepvalue 进行变化。 “fixed”——学习率 base_lr 保持不变。 “inv”——学习率变化公式为 base_lr * (1 + gamma * iter) ^ (- power) “exp”——学习率变化公式为 base_lr * gamma ^ iter} “poly”——学习率以多项式形式衰减

pytorch官网： http://pytorch.org/ 上只有PyTroch的ubuntu和Mac版本，赤裸裸地歧视了一把Windows低端用户。 1. Caffe源码： Caffe源码理解之存 储 Caffe2存储 Caffe2中的存储结构层次从上到下依次是Workspace, Blob, Tensor。Workspace存储了运行时所有的Blob和实例化的Net。Blob可以视为对任意类型的一个封装的类，比如封装Tensor, float, string等等。Tensor就是一个多维数组，这个Tensor就类似于Caffe1中的Blob。Caffe2中真正涉及到分配存储空间的调用则在Context中，分为CPUContext和CUDAContext。下面按照从下到上的顺序分析一下Caffe2的存储分配过程。 Context Tensor Blob Workspace 总结 总结 下面是Operator中从创建Blob到实际分配空间的流程，这个图是怎么画出来的呢 : 2.Caffe2 Detectron的使用 初步 关于InferImage： 在 NVIDIA Tesla P100 GPU 上，单张图片的推断时间大概是 130-140ms.当然这与输入图像的参数设置size有关。 2. Detectron 训练 简单介绍在 COCO Dataset 上训练模型. 采用

caffe solver通过协调网络前向推理和反向梯度传播来进行模型优化，并通过权重参数更新来改善网络损失求解最优算法，而solver学习的任务被划分为：监督优化和参数更新，生成损失并计算梯度。caffe solver是caffe中的核心，它定义着整个模型如何运转，不管是命令行方式还是pycaffe接口方式进行网络训练或测试，都是需要一个solver配置文件的，而solver的配置参数总共有42个，罗列如下： net weight_decay net_param regularization_type train_net stepsize test_net stepvalue train_net_param clip_gradients test_net_param snapshot train_state snapshot_prefix test_state snapshot_diff test_iter snapshot_format test_interval solver_mode test_compute_loss device_id test_initialization random_seed base_lr type display delta average_loss momentum2 max_iter rms_decay iter_size debug

从零开始，一步一步学习caffe的使用，期间贯穿深度学习和调参的相关知识！ Caffe中的损失函数解析 导言 在有监督的机器学习中，需要有标签数据，与此同时，也需要有对应的损失函数（ Loss Function ）。 在 Caffe 中，目前已经实现了一些损失函数，包括最常见的 L2 损失函数，对比损失函数，信息增益损失函数等等。在这里做一个笔记，归纳总结 Caffe 中用到的不同的损失函数，以及分析它们各自适合的使用场景。 欧式距离损失函数（Euclidean Loss） 对比损失函数（Contrastive loss） 铰链损失函数（Hinge Loss） 信息增益损失函数（InformationGain Loss） 多项式逻辑损失函数（Multinomial Logistic Loss） Sigmoid 交叉熵损失函数（Sigmoid Cross Entropy Loss） Softmax+损失函数(Softmax With Loss) 总结 欧式距离损失函数：一般适用于回归问题，特别是回归的值是实数的时候。 对比损失函数：用来训练 siamese 网络时候。 Hinge loss ：在一对多的分类中应用，类似于 SVM 。 多项式逻辑损失函数：一般在一对多的分类任务中应用，直接把预测的概率分布作为输入。 sigmoid 交叉熵损失函数：预测目标概率分布。 softmax

作者：阿布🐶 未经本人允许禁止转载 ipython notebook git版本 目录章节地址： 自己动手写一个印钞机 第一章 自己动手写一个印钞机 第二章 自己动手写一个印钞机 第三章 自己动手写一个印钞机 第四章 自己动手写一个印钞机 第五章 自己动手写一个印钞机 第六章 自己动手写一个印钞机 第七章 简书目录章节地址： 自己动手写一个印钞机 第一章 自己动手写一个印钞机 第二章 自己动手写一个印钞机 第三章 自己动手写一个印钞机 第四章 自己动手写一个印钞机 第五章 自己动手写一个印钞机 第六章 自己动手写一个印钞机 第七章 自己动手写一个印钞机 附录章 股票量化专题地址，请关注，谢谢！ 非均衡胜负收益带来的必然非均衡胜负比例，目标由因子的能力解决一部分，模式识别提升关键的一部分 上一章使用机器学习的方法，想要提取特征，指导交易，提高胜率，但是发现，除了最后那种把交易结果分成100份的方式外，其它机器学习方法基本都是瞎猜，是不是使用深度学习就能解决问题呢？本章主要通过使用卷积神经网络模型alex_net, 与google_lenet对stock进行模式识别 加载缓存交易数据 # 从之前跑的结果hdf5中加载缓存 from MlFiterDegPd import MlFiterDegPdClass orders_pd_train_snap = ZCommonUtil.load