国产xxxx99真实实拍_久久不雅视频_高清韩国a级特黄毛片_嗯老师别我我受不了了小说

資訊專欄INFORMATION COLUMN

caffe的python插口形成環境變量學習培訓

89542767 / 395人閱讀

　　此篇文章主要是詳細介紹了caffe的python插口形成環境變量學習培訓，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的發展，盡早漲薪


　　caffe是C++語言表達所寫的，可能大家不太熟，所以想要更方便的編程語言來達到。caffe給予matlab接口和python插口，這幾種語言表達就比較簡單，并且很容易開展數據可視化，導致學習培訓更為迅速，了解更加深刻。


　　一年前，我在學習CAFFE時，為了能加深記憶，所以寫出了生活隨筆，擁有多方面的caffe學習文章內容。大半年以往，好多人問起關于python插口和數據可視化的相關問題，如今有點兒空余時間，就再度寫出某些生活隨筆，各位一起學習。有一些重復具體內容，我也就不多說，如果你們感興趣的話可換步：


　　上面這些實際操作全是練習以前的預備處理實際操作，不論是用哪種插口，都會用到。


　　要怎么寫環境變量


　　最先，我們應該把握的，便是要怎么寫環境變量，根據下方的編碼去學習：

　　#-*-coding:utf-8-*-
　　"""
　　SpyderEditor
　　"""
　　fromcaffeimportlayersasL,paramsasP,to_proto
　　path='/home/xxx/data/'#保存數據和配置文件的路徑
　　train_lmdb=path+'train_db'#訓練數據LMDB文件的位置
　　val_lmdb=path+'val_db'#驗證數據LMDB文件的位置
　　mean_file=path+'mean.binaryproto'#均值文件的位置
　　train_proto=path+'train.prototxt'#生成的訓練配置文件保存的位置
　　val_proto=path+'val.prototxt'#生成的驗證配置文件保存的位置
　　#編寫一個函數，用于生成網絡
　　defcreate_net(lmdb,batch_size,include_acc=False):
　　#創建第一層：數據層。向上傳遞兩類數據：圖片數據和對應的標簽
　　data,label=L.Data(source=lmdb,backend=P.Data.LMDB,batch_size=batch_size,ntop=2,
　　transform_param=dict(crop_size=40,mean_file=mean_file,mirror=True))
　　#創建第二屋：卷積層
　　conv1=L.Convolution(data,kernel_size=5,stride=1,num_output=16,pad=2,weight_filler=dict(type='xavier'))
　　#創建激活函數層
　　relu1=L.ReLU(conv1,in_place=True)
　　#創建池化層
　　pool1=L.Pooling(relu1,pool=P.Pooling.MAX,kernel_size=3,stride=2)
　　conv2=L.Convolution(pool1,kernel_size=3,stride=1,num_output=32,pad=1,weight_filler=dict(type='xavier'))
　　relu2=L.ReLU(conv2,in_place=True)
　　pool2=L.Pooling(relu2,pool=P.Pooling.MAX,kernel_size=3,stride=2)
　　#創建一個全連接層
　　fc3=L.InnerProduct(pool2,num_output=1024,weight_filler=dict(type='xavier'))
　　relu3=L.ReLU(fc3,in_place=True)
　　#創建一個dropout層
　　drop3=L.Dropout(relu3,in_place=True)
　　fc4=L.InnerProduct(drop3,num_output=10,weight_filler=dict(type='xavier'))
　　#創建一個softmax層
　　loss=L.SoftmaxWithLoss(fc4,label)
　　ifinclude_acc:#在訓練階段，不需要accuracy層，但是在驗證階段，是需要的
　　acc=L.Accuracy(fc4,label)
　　returnto_proto(loss,acc)
　　else:
　　returnto_proto(loss)
　　defwrite_net():
　　#將以上的設置寫入到prototxt文件
　　withopen(train_proto,'w')asf:
　　f.write(str(create_net(train_lmdb,batch_size=64)))
　　#寫入配置文件
　　withopen(val_proto,'w')asf:
　　f.write(str(create_net(val_lmdb,batch_size=32,include_acc=True)))
　　if__name__=='__main__':
　　write_net()

　　根據以上這一文件信息實行，大家就能得到2個環境變量：train.prototxt和val.prototxt，各自用以練習環節和檢驗環節。


　　圖片格式轉換成LMDB文檔


　　這種方法形成環境變量，務必有一個前提條件，便是首先要把原始圖片轉變成LMDB文檔才能。假如我們已經將原始圖片做成一個1個目錄明細（txt文件，一列一張照片），則可以不LMDB文件格式做為錄入數據，能用ImageData做為數據庫鍵入，編碼如下所示：


　　#-*-coding:utf-8-*-
　　fromcaffeimportlayersasL,paramsasP,to_proto
　　path='/home/xxx/data/'
　　train_list=path+'train.txt'
　　val_list=path+'val.txt'
　　train_proto=path+'train.prototxt'
　　val_proto=path+'val.prototxt'
　　defcreate_net(img_list,batch_size,include_acc=False):
　　data,label=L.ImageData(source=img_list,batch_size=batch_size,new_width=48,new_height=48,ntop=2,
　　transform_param=dict(crop_size=40,mirror=True))
　　conv1=L.Convolution(data,kernel_size=5,stride=1,num_output=16,pad=2,weight_filler=dict(type='xavier'))
　　relu1=L.ReLU(conv1,in_place=True)
　　pool1=L.Pooling(relu1,pool=P.Pooling.MAX,kernel_size=3,stride=2)
　　conv2=L.Convolution(pool1,kernel_size=53,stride=1,num_output=32,pad=1,weight_filler=dict(type='xavier'))
　　relu2=L.ReLU(conv2,in_place=True)
　　pool2=L.Pooling(relu2,pool=P.Pooling.MAX,kernel_size=3,stride=2)
　　conv3=L.Convolution(pool2,kernel_size=53,stride=1,num_output=32,pad=1,weight_filler=dict(type='xavier'))
　　relu3=L.ReLU(conv3,in_place=True)
　　pool3=L.Pooling(relu3,pool=P.Pooling.MAX,kernel_size=3,stride=2)
　　fc4=L.InnerProduct(pool3,num_output=1024,weight_filler=dict(type='xavier'))
　　relu4=L.ReLU(fc4,in_place=True)
　　drop4=L.Dropout(relu4,in_place=True)
　　fc5=L.InnerProduct(drop4,num_output=7,weight_filler=dict(type='xavier'))
　　loss=L.SoftmaxWithLoss(fc5,label)
　　ifinclude_acc:
　　acc=L.Accuracy(fc5,label)
　　returnto_proto(loss,acc)
　　else:
　　returnto_proto(loss)
　　defwrite_net():
　　#
　　withopen(train_proto,'w')asf:
　　f.write(str(create_net(train_list,batch_size=64)))
　　#
　　withopen(val_proto,'w')asf:
　　f.write(str(create_net(val_list,batch_size=32,include_acc=True)))
　　if__name__=='__main__':
　　write_net()


　　即第1層從原來的Data類型，成了ImageData類型，不用LMDB文件或平均值文檔，但是需要1個txt文件。

文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。

轉載請注明本文地址：http://specialneedsforspecialkids.com/yun/128811.html

相關文章

  • caffe的python插口形成solver文件詳細說明學習培訓

    　　本文主要是給大家介紹了caffe的python插口形成solver文件詳細說明學習培訓實例，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的不斷進步，盡早漲薪　　也有一些基本參數必須計算出來的，并不是亂設定。　　solver.prototxt的文件參數設置　　caffe在訓練的時候，需要一些參數設置，我們一般將這些參數設置在一個叫solver.prototxt的文件里面，如...

    89542767 評論0 收藏0

  • caffe的python接口deploy形成caffemodel歸類新的圖片

    　　本文主要是給大家介紹了caffe的python插口生成deploy文件學習培訓及其用練習好一點的實體模型（caffemodel）來歸類新的圖片實例詳細說明，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的發展，盡早漲薪　　caffe的python插口生成deploy文件　　假如要將練習好一點的實體模型用于檢測新的圖片，那必然必須得一個deploy.prototxt文件，這一...

    89542767 評論0 收藏0

  • caffe的python插口之手寫數字識別mnist案例

    　　文中主要是給大家介紹了caffe的python插口之手寫數字識別mnist案例詳細說明，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的發展，盡早漲薪　　論文引言　　機器學習第一個案例一般都是是mnist，只需這個案例徹底搞懂了，其他的便是觸類旁通的事了。因為字數緣故，文中不簡單介紹環境變量里邊每一個指標的具體函義，如果要搞明白的，請參考我之前的微博文章：　　數據訪問層及主...

    89542767 評論0 收藏0

  • python格式Caffe圖片數據信息均值測算學習培訓

    　　此篇文章關鍵給大家介紹了python格式Caffe圖片數據信息均值測算學習培訓實例詳細說明，感興趣的小伙伴可以參考借鑒一下，希望可以一些幫助，祝愿大家多多的發展，盡早漲薪　　前言　　照片減掉均值后，然后再進行練習和檢測，也會提高速度與精密度。因而，通常在各類實體模型中都有這種操作。　　那么這樣的均值是怎么來的呢，實際上是測算全部svm分類器的均值，計算出來后，儲存為均值文檔，在今后的檢測中，就...

    89542767 評論0 收藏0

  • caffe的python插口制作loss和accuracy曲線圖

    　　此篇文章主要是給大家介紹了caffe的python插口制作loss和accuracy曲線圖實例詳細說明，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的發展，盡早漲薪　　前言　　使用python插口來運行caffe程序流程，根本原因是python很容易數據可視化。所以才建議大家在cmd下邊運行python程序流程。如果一定要在cmd下邊運作，不如直接用c++算了。　　強烈推...

    89542767 評論0 收藏0

發表評論

0條評論

最新活動
閱讀需要支付1元查看
<