caffe笔记

Caffe各版本与源码全透析

ubuntu14.04下CPU的caffe配置

Caffe+ubuntu14.04+Cuda8.0安装

http://www.cnblogs.com/denny402/tag/caffe/

关于caffe里面image_data_layer的使用

Caffe学习系列(11)：图像数据转换成db（leveldb/lmdb)文件

caffe神经网络框架的辅助工具（将图片转换为leveldb格式）

将图像转换成lmdb格式

Python lmdb

Mnist数据集创建lmdb或leveldb类型的数据

Caffe1——Mnist数据集创建lmdb或leveldb类型的数据

Caffe2——cifar10数据集创建lmdb或leveldb类型的数据

Caffe3——ImageNet数据集创建lmdb类型的数据

caffe 数据库LMDB的读写

计算图像均值

【Caffe代码解析】compute_image_mean

【Caffe代码解析】convert_imageset

制作train.txt和val.txt文件

txt和lmdb训练caffenet设置对比

计算图像均值

Caffe训练过程：test_iter test_interval等概念

关于 epoch、 iteration和batchsize

caffe层解读系列——BatchNorm

Mnist手写数字识别测试与分析

修改lenet网络进行训练

Caffe模型的结构

数据层及参数设置

数据层及参数

视觉层及参数

损失层及其参数设置

其他常用层及参数

激活函数

Blob,Layer和Net以及对应配置文件的编写

命令行解析

训练和测试自己的图片

caffe的总体流程是怎样的？

caffe层解读系列-softmax_loss

caffe层解读系列——hinge_loss

人脸识别：PairLoss

Windows下用VS2013加载caffemodel做图像分类

修改网络并训练模型

caffe基础

如何在Caffe中配置每一个层的结构

caffe学习笔记

caffe 参数介绍

solver优化方法

怎么在Caffe中配置每一个层的结构

【Caffe实践】 多目标输出探究

封装caffe-windows-master成动态链接库

如何快糙好猛地在Windows下编译CAFFE并使用其matlab和python接口

Caffe使用教程

What is 'lr_policy' in caffe?

使用caffe训练时Loss变为nan的原因

Net Surgery

Caffe中的各种loss函数适合哪些问题？

fine_tuning原理问题

Fine-tuning CaffeNet for Style Recognition on “Flickr Style” Data

假如有两个model，如何把其中一个model的某一层的权重赋给另一个model的对应层。

怎样用自己的数据集对caffe训练好的model进行fineture？

Caffe 是否支持多GPU并行训练？

caffe的proto里面的std是什么意思？怎么调？

global average pooling 与average pooling的区别是什么？

各种Pooling方法适用哪些情况？

如何通过loss曲线判断网络训练的情况

无监督逐层预训练目前是否还广泛应用于CNN的训练？

无监督学习是否被监督学习取代了？

应该怎么理解End to End 训练

caffe中image_mean的作用是什么？

出现过拟合的根本原因是什么

目前state of art 的人脸检测算法都是cnn based，如何应用于手机等嵌入式设备中？

caffe在训练过程中可以不使用validation吗？不使用有什么坏处（或者说使用validation有什么好处）？

http://blog.csdn.net/u012235274/article/category/6197462

深层学习为何要“Deep”（上）

caffe源码

如何解读Caffe源码

caffe源码解析 — caffe.proto

caffe数据格式（Google Protocol Buffers）

Caffe常用层参数介绍

Caffe源码解析2：SycedMem

caffe源码解析 — SyncedMemory.cpp

http://blog.csdn.net/seven_first/article/category/5721883

http://blog.csdn.net/seven_first/article/category/5721883

在可视化环境下进行Caffe网络设计

caffe基础(8):draw_net.py绘制网络结构

caffe示例实现之10LeNet的python接口

caffe的python接口封装原理与解析

pycaffe学习

pycaffe

caffe python layer

caffe中使用python layer

添加caffe python layer

在python中caffe示例实现之11逻辑回归及其深化

利用caffe的python接口进行训练时遇到的问题

用 caffe做图像分割实验时，loss值很诡异

caffe 练习4 ----利用python批量抽取caffe计算得到的特征------by 香蕉麦乐迪

caffe 练习3 用caffe提供的C++函数批量抽取图像特征------by 香蕉麦乐迪

训练一个全卷积网络，怎么做？

caffe调试 ubuntu1404+eclipse

（Caffe，LeNet）网络训练流程（二）

（Caffe，LeNet）反向传播（六）

利用Caffe做回归(regression)

训练可视化

caffe 画损失曲线和准确率曲线

cnn 调参经验

可视化

神经网络：caffe特征可视化的代码样例

caffe源码修改：抽取任意一张图片的特征

在caffe 中添加Crowd counting 数据层

在 caffe 中添加 FaceNet 中 Triplet Loss Layer

caffe 里面GPU 选择设置， 通过配置文件 读取GPU 的编号。

caffe adaboost

Linux下Caffe如何调试

*_train_test.prototxt,*_deploy.prototxt,*_slover.prototxt文件编写时注意事项

关于propagate_down

比如有4个全连接层A->B->C->D
    a. 你希望C层的参数不会改变，C前面的AB层的参数也不会改变，这种情况也就是D层的梯度不往前反向传播到D层的输入blob（也就是C层的输出blob 没有得到梯度），你可以通过设置D层的propagate_down为false来做到。
         propagate_down的数量与输入blob的数量相同，假如你某个层有2个输入blob，那么你应该在该layer的Param里面写上两行：
         propagate_down : 0    # 第1个输入blob不会得到反向传播的梯度
         propagate_down : 0    # 第2个输入blob不会得到反向传播的梯度
         这样的话，你这个layer的梯度就不会反向传播啦，前面的所有layer的参数也就不会改变了
    b. 你希望C层的参数不会改变，但是C前面的AB层的参数会改变，这种情况，只是固定了C层的参数，C层得到的梯度依然会反向传播给前面的B层。只需要将对应的参数blob的学习率调整为0：
你在layer里面加上param { lr_mult: 0 }就可以了，比如全连接层里面：
layer {
    type: "InnerProduct"
    param { # 对应第1个参数blob的配置，也就是全连接层的参数矩阵的配置
         lr_mult: 0 # 学习率为0，其他参数可以看caffe.proto里面的ParamSpec这个类型
    }
    param { # 对应第2个参数blob的配置，也就是全连接层的偏置项的配置
        lr_mult: 0 # 学习率为0
    }
}

caffe关闭日志输出消息

可能对于算法实验阶段来说，我们需要caffe运行网络的时候，打印网络的相关参数消息。然而对于已经走向工程之路的caffe模型来说，我们有可能需要屏蔽那些没用的输出消息，因此这个时候就需要用到caffe的消息屏蔽。

1、在程序最开始运行地方，加入如下代码：

 ::google::InitGoogleLogging("hjimce");    //初始化
 FLAGS_stderrthreshold = ::google::ERROR;  //只打印ERROR级别信息

2、在程序结束的时候加入代码：

 google::ShutdownGoogleLogging();

caffe group参数