caffe相关内容
我使用Caffe GoogleNet模型训练自己的数据(10k图像,2类).我在第400000次迭代时将其停止,精度为〜80%. 如果我运行以下命令: ./build/examples/cpp_classification/classification.bin models/bvlc_googlenet/deploy.prototxt models/bvlc_referen
..
我想知道是否可以使用caffe预测与输入图像相关的1-by-n功能. 在此帖子中,有一种解决方案使caffe预测二进制矢量,例如[1 0 1 0]. 如果我有一个1-by-n浮点矢量作为标签(例如[0.2、0.1、0.3、0.4],我想预测这样的矢量,而不是二进制矢量标签),这种解决方案是否也合适? 解决方案 您还可以考虑以下 MultiTaskData层.它可以解析您在问题中提到的浮点
..
我正在尝试为完全卷积网络准备数据集.我已经浏览了一些数据集,但很难确定如何格式化它.例如,在 Kitti 数据集中,有这两个图像, 培训文件夹中的文本文件: 图片1 图片2 文本 P0:7.215377000000e + 02 0.000000000000e + 00 6.095593000000e + 02 0.000000000000e + 00 0.000000000000e +
..
我想提供标签的caffe向量(多标签回归问题),因此我使用了以下链接用于创建hdf5文件. 使用此代码,我创建了一个image_list.txt,该文件在每行中包含文件路径和浮动标签,例如 /home/deep/00000.bmp 0.9997 0.0236 -0.0082 -0.0231 0.9980 0.0588 0.0096 -0.0586 0.9982 -0.0046 0.108
..
我的火车和标签数据为data.mat. (我有200个训练数据和6000个功能,并且标签(-1,+1)已保存在data.mat中.) 我正在尝试在hdf5中转换数据(训练和测试)并使用以下命令运行Caffe: load input.mat hdf5write('my_data.h5', '/new_train_x', single( permute(reshape(new_train_
..
我有一个HDF5类型的数据层.它包含预期的培训和测试阶段 name: "LogisticRegressionNet" layer { name: "data" type: "HDF5Data" top: "data" top: "label" include { phase: TRAIN } hdf5_data_param { source: "e
..
我们都知道这段python代码可以创建caffe网络: n = caffe.NetSpec() n.data, n.label = L.Data(batch_size=batch_size, backend=P.Data.LMDB, source=lmdb, t
..
我有一个原型,如下: layer { name: "data" type: "HDF5Data" top: "data" top: "label" include { phase: TRAIN } hdf5_data_param { source: "./train.txt" batch_size: 2 } } layer { na
..
我熟悉如何在CNN中使用多重损失,而这些损失的所有标签都是相同的. 我的情况是使用多个损失处理层次结构标签,如下图所示: loss1负责labelset1:{Sport,Food}.标签2的损失2:{排球,足球},标签3的损失3:{比萨,面食,汉堡}.例如,样本A∈{运动,足球},样本B∈{食品,汉堡}. 任何想法如何做到这一点? 解决方案 添加“无关"标签,每个样本应具
..
.txt文件中的结构如下: /path/to/image x y /path/to/image x y 其中x和y是整数. 我现在要做的是:创建一个在Caffe('train.prototxt')中使用的hdf5文件 我的Python代码如下: import h5py, os import caffe import numpy as np SIZE = 256 wit
..
我正在使用Caffe创建一个网络,为此我需要定义自己的图层.我想为此使用Python层. 我的图层将包含一些学习到的参数.从此答案中,我被告知我需要为此创建一个斑点矢量. 此blob是否需要遵循任何规范,例如 作为尺寸等方面的约束?不管我在哪一层 可以,我可以创建一个一维的Blob,并使用任何元素,一个 层中进行任何计算的每个Blob? 斑点的diff是什么意思?据我了解,botto
..
我正在尝试通过pycaffe读取caffe网络中的体重和偏见. 这是我的代码 weight = net.params[layer_name][0].data bias = net.params[layer_name][1].data 但是,我的网络中的某些层没有偏差,因此会出现错误Index out of range. 所以我的问题是我可以使用 if(net.params[l
..
我正在使用CNN进行语义分割.我每个班级都有不平衡的像素数. 基于此链接,我我正在尝试创建权重矩阵H,以便为我的失衡类成员定义Infogain loss layer. 我的数据有五个类.我在python中编写了以下代码: 读取示例图像: im=imread(sample_img_path) 计算每个类别的像素数 cl0=np.count_nonzero(im == 0) #0=
..
我已经为回归问题训练了NN.我的数据类型是HDF5_DATA,由.jpg图片(3X256X256)和float-label数组(3个标签)组成.数据集创建脚本: import h5py, os import caffe import numpy as np SIZE = 256 # images size with open( '/home/path/trainingTintText.tx
..
我正在尝试在Caffe上训练自己的网络,类似于Imagenet模型.但是我对作物层感到困惑.直到我了解Imagenet模型中的作物层这一点为止,在训练过程中,它将随机抽取227x227图像作物并训练网络.但是在测试过程中,它将对中心227x227图像进行裁剪,难道我们从256x256图像中裁剪中心227x27图像时会丢失图像中的信息吗?第二个问题,我们如何定义培训期间要收获的农作物数量? 而
..
我想在Caffe中构建一个网络,在该网络中,传入的数据首先被拆分,分别经过相同的一组层,最后使用elthwise层进行重组.此后,所有零件都将作为单个斑点移动. 除了学习的参数外,数据并行移动的网络部分的层配置将相同. 有没有一种方法可以在Caffe中定义此网络,而无需重新定义数据不同部分多次通过的层?换句话说,是否可以一次定义一个层并具有多个输入和输出路径,例如具有多个顶部和底部参数
..
能否在pycaffe中获取每个图层的类型(例如卷积,数据等)? 我搜索了提供的示例,但找不到任何东西.目前我正在使用图层名称来做我的工作,这是非常糟糕和局限的. 解决方案 简单! import caffe net = caffe.Net('/path/to/net.prototxt', '/path/to/weights.caffemodel', caffe.TEST) # get
..
我想从python代码访问solver.prototxt参数,例如base_lr(基本学习率)或weight_decay. 有什么方法可以从solver.net对象访问它们吗? 谢谢 解决方案 根据### define solver from caffe.proto import caffe_pb2 s = caffe_pb2.SolverParameter() # Set a
..
我正在实施Hinton的知识蒸馏论文.第一步是存储温度较高的“繁琐模型"的软目标(即,我不需要训练网络,只需要对每个图像进行前向传递,并存储温度为T的软目标). 有没有一种方法可以获取Alexnet或googlenet软目标的输出,但温度不同? 我需要使用pi= exp(zi/T)/sum(exp(zi/T)修改soft-max. 需要用温度T划分最终完全连接层的输出.我只需要这个就可以通过
..
我是Caffe的新手.我正在尝试为语义分割实现完全卷积神经网络( FCN-8s ).我有图像数据和标签数据,它们都是图像.这是针对逐像素的预测. 我尝试使用ImageData作为数据类型,但它要求输入整数标签,该标签不适用于这种情况.请告知我如何给Caffe一个2D标签.我应该更喜欢LMDB而不是ImageData吗?如果是这样,我该如何进行?对于这种情况,我找不到任何好的教程/文档.
..