caffe相关内容
虽然我找到了许多类似于我的问题的答案,但我不认为这里已经直接解决了这个问题,而且我还有其他一些问题.共享连续的numpy数组的动机如下: 我正在使用在Caffe上运行的卷积神经网络对图像进行回归到一系列连续值标签. 图像需要特定的预处理和数据增强. (1)标签的连续性质(它们是浮动的)和(2)数据扩充的约束意味着我正在python中预处理数据,然后使用inCaffe中的内存数据层. 将
..
我希望能够将Tensorflow模型转换为Caffe模型. 我在Google上进行了搜索,但是我只能找到从caffe到tensorflow的转换器,而没有找到相反的东西. 有人知道怎么做吗? 谢谢,艾维(Evi) 解决方案 我遇到了同样的问题,并找到了解决方案.可以在这里找到代码( https://github.com/lFatality/tensorflow2caffe
..
据我了解,所有CNN都非常相似.它们都有卷积层,然后是池化层和relu层.有些具有专门的层,例如FlowNet和Segnet.我的疑问是我们应该如何决定要使用多少层,以及如何为网络中的每一层设置内核大小.我已经搜索了该问题的答案,但找不到具体答案.网络是使用反复试验设计的,还是我不知道的某些特定规则?如果您能澄清一下,我将非常感谢您. 解决方案 简短的回答:如果有设计规则,我们还没有发现它
..
我只是尝试用自己的lmdb文件训练提供的Caffenet网络。 我更改了深度4096和自定义frame_size的完全连接到卷积层。 这是代码: weight_param = dict(lr_mult = 1,衰落_mult = 1) bias_param = dict(lr_mult = 2,衰落_mult = 0) Learnd_param = [权重参数,bias_para
..
以下是我的微调模型的输入层: layer { 类型:“ HDF5Data” 名称:“ data” 顶部:“ Meta” hdf5_data_param { 来源:“ /path/to/train.txt” batch_size:50 } 包括{相:火车} } 层{ 名称:“ data” 类型:“ ImageData” top:“ X” 顶部:“标签” 包括{
..
我正在尝试为Windows 8安装Caffe。我正在使用此关于安装指南的文章,我安装了Visual Studio2015。我将python.exe&路径&上的CMAKE.exe运行这些错误后发生。 我感谢您的帮助。 解决方案 在搜索了我的问题之后,我了解到问题可能与“超时”有关。在网络连接或其他有关下载的问题中。 我再次删除了完整的二进制输出 build 目录。 我使用了“ fr
..
咖啡的种植策略是应用 random-crop 进行训练, center-crop 进行测试。 从实验中,我观察到如果在训练过程中我可以为同一幅图像提供两个裁剪版本(随机和居中),则识别的准确性会提高。这些实验数据(尺寸为100x100)是通过在115x115尺寸的图像上进行随机裁剪和中心裁剪而离线生成的(不使用caffe)。 我想知道如何执行 注意:我想使用2个数据层,每个层具有
..
我使用Caffe训练了数据。以下是solver.prototxt文件中的参数。 test_iter:100 test_interval:1000 base_lr: 0.00001 lr_policy:“ step” 伽玛值:0.1 步长:20000 显示:20 max_iter:13000 动量:0.9 weight_decay :0.0005 快照:1000
..
我想做的是做一个简单的像素级分类或回归任务。因此,我有一个输入图像和一个ground_truth。我想做的是做一个简单的分割任务,其中有一个圆形和一个矩形。我想训练圆形或矩形的位置。这意味着我有一个ground_truth图像,该图像在圆所在的所有位置都为“ 1”,在矩形所在的所有位置都为“ 2”。然后,我将我的图像和ground_truth图像以.png图像的形式输入。 然后,我认为我可以
..
如何在Caffe中使用SigmoidCrossEntropyLoss解决二进制类问题? 能否给我一个原型示例? 解决方案 您需要您的标签 图层{ 名称:“ loss” 类型:“ SigmoidCrossEntropyLoss” 底部:“ predict1d” 底部:“标签” 顶部:“损失” }
..
我有一个python作业,可运行caffe网络以在nvidia GPU上进行图像处理。作业从Rabbitmq队列中获取图像,对其进行处理,然后将结果写入另一个队列。当我重新启动该作业时,进程将被终止,但内存未被回收。 因此,在经过一定数量的重新启动后,计算机崩溃了。一旦我杀死了工作,就不会在ps或top中运行任何python进程,但是不会回收CPU内存。 如何调试此问题? 编辑:
..
我正在尝试使用Windows构建Caffe深度学习网络解决方案,并且确实尝试了所有方法以使其正常工作。 我发现了类似的问题,但是他们正在使用VS 2010或2013,我在大多数答案中都没有列出任何选项。 首先: 我正在使用VS 2015,cudNN和最新的Caffe,我正在尝试使用Windows x64进行构建。 第二次: 我尝试了两种方法(在两种情况下都以添加cudNN路径
..
尝试使用python层caffe来实现我的自定义损失层。我已经将此示例用作指南并编写了 forward 函数,如下所示: def forward(self,bottom,顶部): 分数= 0; self.mult [...] = np.multiply(底部[0] .data,底部[1] .data) self.multAndsqrt [...] = np.sqrt(self。 mu
..
我想学习如何编写caffe python层。 但是我只找到有关非常简单的层的示例,例如 pyloss 。 如何编写具有可训练参数的python caffe? 例如,如何编写完全连接的python层? 解决方案 Caffe将图层的可训练参数存储为 blobs 的向量。默认情况下,此向量为空,由您决定是否在层的设置中添加参数blob。在 test_python_layer.p
..
我正在使用在CPU上运行的传统caffe设置。 我从以下代码中切换了一行代码: caffe.set_mode_cpu() 到: caffe.set_mode_gpu() 但出现错误: 不能在仅CPU的Caffe中使用GPU:检查模式。 我检查了Makefile.config,相关设置为: #仅CPU开关(不建
..
在制作lmdb文件的过程中,我们应该制作 train.txt 和 val.txt 文件,我已经制作了一个 train.txt 文件,其中包含图像名称空间及其相应的标签。例如image1.JPG 0。 现在我必须使 val.txt 文件变得困惑,因为我是测试数据,因此我如何给它相应的值我希望能预测到这些。谁能告诉我这个 val.txt 文件是什么以及它应该做什么。 解决方案 您正在混淆
..
我正在尝试将大型Caffe网络复制到Keras(基于tensorflow后端)。但是即使在单个卷积层上,我也遇到了很大的麻烦。 简单卷积一般: 假设我们有一个形状为(1,500,500,3)的4D输入,并且我们必须对此输入带有 96 过滤器,内核大小为 11 和 4x4 大步前进。 让我们设置权重和输入变量: w = np .random.rand(11,11,3,96)
..
我得到的错误是 AttributeError:当我尝试运行 py-faster-rcnn时,“模块”对象没有属性“ set_random_seed” 和我自己的数据集。 谁能帮我吗? 解决方案 这是概率,因为您使用的是Tensorflow2。因此,您可以简单地使用 import tensorflow作为tf tf.random.set_seed(seed)
..
使用我的Caffe原型时出现以下错误: F0329 17:37:40.771555 24587 insert_splits.cpp:35 ]未知的blob输入数据到第0层 ***检查失败堆栈跟踪:*** 下面是我的caffe原型中的前2层: layers { name:“ data” 类型:IMAGE_DATA 最上层:“数据” 最上层:“标签”
..
我正在阅读caffe的Layer源代码,但遇到以下问题: 什么是 Layer :: SetLossWeights 函数在做什么?我知道在Layer类中,有一个 loss _ 变量,该变量记录了: 向量,指示每个顶部Blob在目标函数中的权重 是否为非零。 它们是否存在某些关系? 在caffe.proto文件中,LayerParameter loss_weight仅用于损失
..