caffe

tensorflow在保存权重模型时多使用tf.train.Saver().save 函数进行权重保存，保存的ckpt文件无法直接打开，不利于将模型权重导入到其他框架使用（如Caffe、Keras等）。 好在tensorflow提供了相关函数 tf.train.NewCheckpointReader 可以对ckpt文件进行权重查看，因此可以通过该函数进行数据导出。 1 import tensorflow as tf 2 import h5py 3 4 cpktLogFileName = r ' ./checkpoint/checkpoint ' # cpkt 文件路径 5 with open(cpktLogFileName, ' r ' ) as f: 6 # 权重节点往往会保留多个epoch的数据，此处获取最后的权重数据 7 cpktFileName = f.readline().split( ' " ' )[1 ] 8 9 h5FileName = r ' ./model/net_classification.h5 ' 10 11 reader = tf.train.NewCheckpointReader(cpktFileName) 12 f = h5py.File(h5FileName, ' w ' ) 13 t_g = None 14 for key in sorted

各位有三AI的读者朋友大家好呀~我是刚刚更新完结的【人脸表情识别】专栏的作者，一名仍然在读的研究生。在分享完我的专栏内容后，分享一下我这枚CV小白与有三 AI 的故事。 认识有三AI 我本科的专业是软件工程，因此较早的时候就开始追随学院中兴起人工智能“潮流”，申报了一个动作识别相关的课题项目。 而凭借着静茹姐给我的勇气，对AI，对CV一无所知的我，开始了从零开始的探索道路。 那个时候，身边没什么人带，跟几个小伙伴找很多资料，走了很多很多的坑。印象特别深的就是，看了很多知乎的回答，跑去看西瓜书、花书等“神书”。当然，这里并非想说西瓜书等不好，相反当你接触越多AI的知识，这些“殿堂级别”的书籍肯定能让你更上一层台阶。但是，我作为一个小白，看完之后还是不！会！敲！代！码！呀！！！（更别说里面的内容也只是看得似懂非懂）当然之后，还是一步一步完成了项目，实际效果嘛，因为是懵懵懂懂做出来的，就很一般。 快毕业的时候，因为需要结题、写小论文、写毕业论文，所以又重新向当年一样找资料，这个时候去看知乎的时候，就看到很多有三AI的回答，也看到了有三AI写的相关综述（ 【技术综述】视频分类/行为识别研究综述，从数据集到方法 ），不过当时并未深入了解，只是在脑海里留下，有三AI是个回答得不错，写综述写得很好的个人/媒体，这算是我对有三AI最初的了解跟接触。 从深入了解到成为专栏作者 成为研究生之后

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！ 生成net文件 from caffe import layers as L, params as P def lenet (lmdb, batch_size) : # 以Lenet-5网络搭建为例 n = caffe.NetSpec() # 继承自NetSpec # 创建数据层。数据层类型选用LMDB文件，向上传递两类数据（ntop=2）：图片数据和对应的标签,并归一化到[0,1] n.data, n.label = L.Data(batch_size=batch_size, backend=P.Data.LMDB, source=lmdb, transform_param=dict(scale= 1. / 255 ), ntop= 2 ) #创建卷积层 n.conv1 = L.Convolution(n.data, kernel_size= 5 , num_output= 20 , weight_filler=dict(type= 'xavier' )) #创建池化层 n.pool1 = L.Pooling(n.conv1, kernel_size= 2 , stride= 2 , pool=P.Pooling.MAX) n.conv2 = L.Convolution(n.pool1, kernel

卷积神经网络的层级结构 1 数据输入层 |input layer 该层要做的处理主要是对原始图像数据进行预处理，包括： 去均值、归一化、 PCA| 白化 。 去均值： 把输入数据各个维度都中心化为 0 ，其目的就是把样本的中心拉回到坐标系原点上。 归一化：幅度归一化到同样的范围。 PCA| 白化 ：用 PCA 降维；白化是对数据各个特征轴的幅度归一化。 去均值与归一化效果图：（把样本的中心拉回到坐标系原点上） 去相关与白化效果图：（对数据各个特征轴的幅度归一化） 2 卷积计算层 |Convolution layer 这一层就是卷积神经网络最重要的一个层次，也是 “卷积神经网络”的名字来源。 在这个个卷基层，有两个关键操作：局部关联 ，每个神经元看做一个滤波器（ filter ）和 窗口滑动（ receptive field ） ， filter 对局部数据计算。 先介绍卷积层遇到的几个名词： 深度 |depth 步长 |stride （窗口一次滑动的距离） 填充值 |zero-padding 填充值是什么呢？ 以下图为例子，比如有这么一个 5*5的图片（一个格子一个像素），我们滑动窗口取2*2，步长取2，那么我们发现还剩下1个像素没法滑完，那怎么办呢？ 那我们在原先的矩阵加了一层填充值，使得变成 6*6的矩阵，那么窗口就可以刚好把所有像素遍历完。这就是填充值的作用。 卷积的计算

首先感谢教程 http://blog.csdn.net/ruotianxia/article/details/78331964 很全面很详细 1.配置好deeplab_v2 source code:https://bitbucket.org/aquariusjay/deeplab-public-ver2/src 配置过程不做描述了。。 2.建立一个项目文件夹，文件夹里包括子文件夹config feature feature2 list log model res 为了方便可以复制这个git里的voc2012后做修改 https://github.com/xmojiao/deeplab_v2 3.数据的准备。 数据主要包括图片以及图片对应的label（也为png图片），可以存放在任意你喜欢的位置，后续只需给定路径即可。将数据分为训练和验证集制作list 具体格式参照voc2012 list文件夹中的格式。 为了后续测试最好也留一部分做test set。 另外还有val跟test的图片id list 只要id 不要前缀 4.训练的protxt文件存放在config/deeplab_largeFOV中，在这里使用的shell文件 run_pascal.sh 训练故 trainval.pt 不用修改， 在solver.pt中可修改lr及模型存放位置等。。 5.修改run_pascal.sh

python接口，我的理解主要是两个，一个是原来caffe官方给的，这里是 接口介绍 。另一个是SSD框架加的model_libs.py，主要是添加了一些base_network和一些相关的函数。这两个如果能够用得很好的话，兄弟，恭喜你！你已经精通caffe的python接口了。其实不用说的，这个接口很方便，从此你不再需要手动去写什么网络，单独去执行什么bat又或者是sh的命令训练测试了，接口的可移植性非常好，我们将这些必要的设置写在python文件里，完成上面的一套工作。因此，在我看来，SSD的python接口就是上面两个的完美结合。 第一个就是官方给的，官方是这么介绍的： Python The Python interface – pycaffe – is the caffe module and its scripts in caffe/python. import caffe to load models, do forward and backward , handle IO , visualize networks, and even instrument model solving . All model data, derivatives, and parameters are exposed for reading and writing. caffe.Net