基于深度学习的图像匹配技术专题- [Patch-Based Matching 2]-matchnet- Trianing in Caffe frame

这个博客主要介绍 如何把实验在Caffe上跑起来。在服务器上,有几个常用的指令。

1. 服务器与本地传输 数据 scp -r ../..  username@ip: ../..

2.ssh 登陆命令


在数据上下载好数据以后,执行作者已经写好的SHELL:

./run_gen_data.sh

在运行的时候会报几个错误,已经有前辈( 配置和运行matchnet),准备好了解决方案,应该会对大家有帮助。

其实,在生成数据集的时候,如果你只有其中的一两个,也是会报错的。

所以,需要你把不用的语句注释掉,就可以解决这个问题。

————————————————————————————————————————

论文提供了训练好的模型,数据集做好之后就可以运行这个模型,看看正确率是多少。现在我们要如何训练自己的模型呢?

用mnist训练Lenet模型的例子,分为三步:1,下载数据;2,制作数据集;3,训练模型

在训练shell中调用:

./build/tools/caffe train --solver=examples/mnist/lenet_solver.prototxt $@

可见是 lenet_solver.prototxt文件--网络求解文件,这个文件主要包含了一些求解网络,梯度下降参数、迭代次数等参数……,看下手写字体的solver.prototxt文件.

在这个文件中,我们可以看迭代次数,测试间隔,学习率等。

# The train/test net protocol buffer definition  
net: "examples/mnist/lenet_train_test.prototxt"        //网络协议具体定义  
# test_iter specifies how many forward passes the test should carry out.  
# In the case of MNIST, we have test batch size 100 and 100 test iterations,  
# covering the full 10,000 testing images.  
test_iter: 100                                         //test迭代次数 如果batch_size =100,则100张图一批,训练100次,则可以覆盖10000张图的需求  
# Carry out testing every 500 training iterations.        
test_interval: 500                                     //训练迭代500次,测试一次  
# The base learning rate, momentum and the weight decay of the network. //网络参数:学习率,动量,权重的衰减  
base_lr: 0.01  
momentum: 0.9  
weight_decay: 0.0005  
# The learning rate policy                            //学习策略:有固定学习率和每步递减学习率  
lr_policy: "inv"  
gamma: 0.0001  
power: 0.75  
# Display every 100 iterations                        //每迭代100次显示一次   
display: 100  
# The maximum number of iterations                    //最大迭代次数  
max_iter: 10000  
# snapshot intermediate results                       // 每5000次迭代存储一次数据,路径前缀是examples/mnist/lenet  
snapshot: 5000  
snapshot_prefix: "examples/mnist/lenet"

 
————————————————————————————————————————————————————

通过对mnist结构的分析,我们发现文章作者只提供了如何做数据的代码和一个matchNet.py文件,没有公布网络结构文件和网络参数配置文件,好吧,只能靠自己了。

说了这么多,还是不能训练自己的模型,但是这个话题并没有终结,是我近期要完成的工作,欢迎follow.





你可能感兴趣的:(Deep,Learning,matchNet)