查志强
查志强

学习笔记：Caffe上配置和运行Cifar10的示例

【原文：http://blog.csdn.net/lynnandwei/article/details/44222389】

CIFAR-10数据集含有6万个32*32的彩色图像，共分为10种类型，由 Alex Krizhevsky, Vinod Nair和 Geoffrey Hinton收集而来。包含50000张训练图片，10000张测试图片

http://www.cs.toronto.edu/~kriz/cifar.html

数据集的数据存在一个10000*3072 的 numpy数组中，单位是uint8s，3072是存储了一个32*32的彩色图像。（3072=1024*3）。前1024位是r值，中间1024是g值，后面1024是b值。



首先准备数据集：

cd $CAFFE_ROOT/data/cifar10

./get_cifar10.sh


[html]  view plain copy
  1. [root@localhost cifar10]# ./get_cifar10.sh   
  2. Downloading...  
  3. --2015-03-09 18:38:23--  http://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz  
  4. Resolving www.cs.toronto.edu... 128.100.3.30  
  5. Connecting to www.cs.toronto.edu|128.100.3.30|:80... connected.  
  6. HTTP request sent, awaiting response... 200 OK  
  7. Length: 170052171 (162M) [application/x-gzip]  
  8. Saving to: 鈥渃ifar-10-binary.tar.gz鈥  
  9.   
  10. 100%[=============================================================>] 170,052,171 1.66M/s   in 5m 22s    
[html]  view plain copy
  1. Unzipping...  
  2. Done.  


然后进入目录 执行

cd $CAFFE_ROOT/examples/cifar10

./create_cifar10.sh


create_cifar10.sh 源代码如下，我们可以看到，所做的工作就是将图片库转成leveldb格式，并计算均值二进制文件

[html]  view plain copy
  1. #!/usr/bin/env sh  
  2. # This script converts the cifar data into leveldb format.  
  3.   
  4. EXAMPLE=examples/cifar10  
  5. DATA=data/cifar10  
  6.   
  7. echo "Creating leveldb..."  
  8.   
  9. rm -rf $EXAMPLE/cifar10_train_leveldb $EXAMPLE/cifar10_test_leveldb  
  10.   
  11. ./build/examples/cifar10/convert_cifar_data.bin $DATA $EXAMPLE  
  12.   
  13. echo "Computing image mean..."  
  14.   
  15. ./build/tools/compute_image_mean $EXAMPLE/cifar10_train_leveldb \  
  16.   $EXAMPLE/mean.binaryproto leveldb  
  17.   
  18. echo "Done."  

运行之后，将会在 examples 中出现数据库文件 ./cifar10-leveldb 和数据库图像均值二进制文件 ./mean.binaryproto

[html]  view plain copy
  1. [root@localhost caffe]# ./examples/cifar10/create_cifar10.sh  
  2. Creating leveldb...  
  3. Computing image mean...  
  4. E0309 18:50:12.026103 18241 compute_image_mean.cpp:114] Processed 10000 files.  
  5. E0309 18:50:12.094758 18241 compute_image_mean.cpp:114] Processed 20000 files.  
  6. E0309 18:50:12.163048 18241 compute_image_mean.cpp:114] Processed 30000 files.  
  7. E0309 18:50:12.231233 18241 compute_image_mean.cpp:114] Processed 40000 files.  
  8. E0309 18:50:12.299324 18241 compute_image_mean.cpp:114] Processed 50000 files.  
  9. Done.  


模型描述在examples/cifar10/cifar10_quick_solver.prototxt，和 examples/cifar10/cifar10_quick_train_test.prototxt  中。


[html]  view plain copy
  1. # reduce the learning rate after 8 epochs (4000 iters) by a factor of 10  
  2.   
  3. # The train/test net protocol buffer definition  
  4. net: "examples/cifar10/cifar10_quick_train_test.prototxt"  
  5. # test_iter specifies how many forward passes the test should carry out.  
  6. # In the case of MNIST, we have test batch size 100 and 100 test iterations,  
  7. # covering the full 10,000 testing images.  
  8. test_iter: 100  
  9. # Carry out testing every 500 training iterations.  
  10. test_interval: 500  
  11. # The base learning rate, momentum and the weight decay of the network.  
  12. base_lr: 0.001  
  13. momentum: 0.9  
  14. weight_decay: 0.004  
  15. # The learning rate policy  
  16. lr_policy: "fixed"  
  17. # Display every 100 iterations  
  18. display: 100  
  19. # The maximum number of iterations  
  20. max_iter: 4000  
  21. # snapshot intermediate results  
  22. snapshot: 4000  
  23. snapshot_prefix: "examples/cifar10/cifar10_quick"  
  24. # solver mode: CPU or GPU  
  25. solver_mode: CPU  
  26. ~  


[html]  view plain copy
  1. name: "CIFAR10_quick"  
  2. layers {  
  3.   name: "cifar"  
  4.   type: DATA  
  5.   top: "data"  
  6.   top: "label"  
  7.   data_param {  
  8.     source: "examples/cifar10/cifar10_train_leveldb"  
  9.     batch_size: 100  
  10.   }  
  11.   transform_param {  
  12.     mean_file: "examples/cifar10/mean.binaryproto"  
  13.   }  
  14.   include: { phase: TRAIN }  
  15. }  
  16. layers {  
  17.   name: "cifar"  
  18.   type: DATA  
  19.   top: "data"  
  20.   top: "label"  
  21.   data_param {  
  22.     source: "examples/cifar10/cifar10_test_leveldb"  
  23.     batch_size: 100  
  24.   }  
  25.   transform_param {  
  26.     mean_file: "examples/cifar10/mean.binaryproto"  
  27.   }  
  28.   include: { phase: TEST }  
  29. }  
  30. layers {  
  31.   name: "conv1"  
  32.   type: CONVOLUTION  
  33.   bottom: "data"  
  34.   top: "conv1"  
  35.   blobs_lr: 1  
  36.   blobs_lr: 2  
  37.   convolution_param {  
  38.     num_output: 32  
  39.     pad: 2  
  40.     kernel_size: 5  
  41.     stride: 1  
  42.     weight_filler {  
  43.       type: "gaussian"  
  44.       std: 0.0001  
  45.     }  
  46.     bias_filler {  
  47.       type: "constant"  
  48.     }  
  49.   }  
  50. }  
  51. layers {  
  52.   name: "pool1"  
  53.   type: POOLING  
  54.   bottom: "conv1"  
  55.   top: "pool1"  
  56.   pooling_param {  
  57.     pool: MAX  
  58.     kernel_size: 3  
  59.     stride: 2  
  60.   }  
  61. }  
  62. layers {  
  63.   name: "relu1"  
  64.   type: RELU  
  65.   bottom: "pool1"  
  66.   top: "pool1"  
  67. }  
  68. layers {  
  69.   name: "conv2"  
  70.   type: CONVOLUTION  
  71.   bottom: "pool1"  
  72.   top: "conv2"  
  73.   blobs_lr: 1  
  74.   blobs_lr: 2  
  75.   convolution_param {  
  76.     num_output: 32  
  77.     pad: 2  
  78.     kernel_size: 5  
  79.     stride: 1  
  80.     weight_filler {  
  81.       type: "gaussian"  
  82.       std: 0.01  
  83.     }  
  84.     bias_filler {  
  85.       type: "constant"  
  86.     }  
  87.   }  
  88. }  
  89. layers {  
  90.   name: "relu2"  
  91.   type: RELU  
  92.   bottom: "conv2"  
  93.   top: "conv2"  
  94. }  
  95. layers {  
  96.   name: "pool2"  
  97.   type: POOLING  
  98.   bottom: "conv2"  
  99.   top: "pool2"  
  100.   pooling_param {  
  101.     pool: AVE  
  102.     kernel_size: 3  
  103.     stride: 2  
  104.   }  
  105. }  
  106. layers {  
  107.   name: "conv3"  
  108.   type: CONVOLUTION  
  109.   bottom: "pool2"  
  110.   top: "conv3"  
  111.   blobs_lr: 1  
  112.   blobs_lr: 2  
  113.   convolution_param {  
  114.     num_output: 64  
  115.     pad: 2  
  116.     kernel_size: 5  
  117.     stride: 1  
  118.     weight_filler {  
  119.       type: "gaussian"  
  120.       std: 0.01  
  121.     }  
  122.     bias_filler {  
  123.       type: "constant"  
  124.     }  
  125.   }  
  126. }  
  127. layers {  
  128.   name: "relu3"  
  129.   type: RELU  
  130.   bottom: "conv3"  
  131.   top: "conv3"  
  132. }  
  133. layers {  
  134.   name: "pool3"  
  135.   type: POOLING  
  136.   bottom: "conv3"  
  137.   top: "pool3"  
  138.   pooling_param {  
  139.     pool: AVE  
  140.     kernel_size: 3  
  141.     stride: 2  
  142.   }  
  143. }  
  144. layers {  
  145.   name: "ip1"  
  146.   type: INNER_PRODUCT  
  147.   bottom: "pool3"  
  148.   top: "ip1"  
  149.   blobs_lr: 1  
  150.   blobs_lr: 2  
  151.   inner_product_param {  
  152.     num_output: 64  
  153.     weight_filler {  
  154.       type: "gaussian"  
  155.       std: 0.1  
  156.     }  
  157.     bias_filler {  
  158.       type: "constant"  
  159.     }  
  160.   }  
  161. }  
  162. layers {  
  163.   name: "ip2"  
  164.   type: INNER_PRODUCT  
  165.   bottom: "ip1"  
  166.   top: "ip2"  
  167.   blobs_lr: 1  
  168.   blobs_lr: 2  
  169.   inner_product_param {  
  170.     num_output: 10  
  171.     weight_filler {  
  172.       type: "gaussian"  
  173.       std: 0.1  
  174.     }  
  175.     bias_filler {  
  176.       type: "constant"  
  177.     }  
  178.   }  
  179. }  
  180. layers {  
  181.   name: "accuracy"  
  182.   type: ACCURACY  
  183.   bottom: "ip2"  
  184.   bottom: "label"  
  185.   top: "accuracy"  
  186.   include: { phase: TEST }  
  187. }  
  188. layers {  
  189.   name: "loss"  
  190.   type: SOFTMAX_LOSS  
  191.   bottom: "ip2"  
  192.   bottom: "label"  
  193.   top: "loss"  
  194. }  




模型训练是 执行 train_quick.sh ，内容如下

[html]  view plain copy
  1. [root@localhost cifar10]# vi train_quick.sh   
  2.   
  3.   
  4. #!/usr/bin/env sh  
  5.   
  6.   
  7. TOOLS=./build/tools  
  8.   
  9.   
  10. $TOOLS/caffe train \  
  11.   --solver=examples/cifar10/cifar10_quick_solver.prototxt  
  12.   
  13.   
  14. # reduce learning rate by factor of 10 after 8 epochs  
  15. $TOOLS/caffe train \  
  16.   --solver=examples/cifar10/cifar10_quick_solver_lr1.prototxt \  
  17.   --snapshot=examples/cifar10/cifar10_quick_iter_4000.solverstate  
  18. ~  
执行结果如下：


[html]  view plain copy
  1. I0313 00:40:24.471531 13825 net.cpp:56] Memory required for data: 0  
  2. I0313 00:40:24.471560 13825 net.cpp:67] Creating Layer cifar  
  3. I0313 00:40:24.471570 13825 net.cpp:356] cifar -> data  
  4. I0313 00:40:24.471585 13825 net.cpp:356] cifar -> label  
  5. I0313 00:40:24.471596 13825 net.cpp:96] Setting up cifar  
  6. I0313 00:40:24.471602 13825 data_layer.cpp:45] Opening leveldb examples/cifar10/cifar10_test_leveldb  
  7. I0313 00:40:24.549324 13825 data_layer.cpp:128] output data size: 100,3,32,32  
  8. I0313 00:40:24.549372 13825 base_data_layer.cpp:36] Loading mean file fromexamples/cifar10/mean.binaryproto  
  9. I0313 00:40:24.550582 13825 base_data_layer.cpp:64] Initializing prefetch  
  10. I0313 00:40:24.550639 13825 base_data_layer.cpp:66] Prefetch initialized.  
  11. I0313 00:40:24.550683 13825 net.cpp:103] Top shape: 100 3 32 32 (307200)  
  12. I0313 00:40:24.550698 13825 net.cpp:103] Top shape: 100 1 1 1 (100)  
  13. I0313 00:40:24.550709 13825 net.cpp:113] Memory required for data: 1229200  
  14. I0313 00:40:24.550734 13825 net.cpp:67] Creating Layer label_cifar_1_split  
  15. I0313 00:40:24.550750 13825 net.cpp:394] label_cifar_1_split <- label  
  16. I0313 00:40:24.550775 13825 net.cpp:356] label_cifar_1_split -> label_cifar_1_split_0  
  17. I0313 00:40:24.550802 13825 net.cpp:356] label_cifar_1_split -> label_cifar_1_split_1  
  18. I0313 00:40:24.550824 13825 net.cpp:96] Setting up label_cifar_1_split  
  19. I0313 00:40:24.550843 13825 net.cpp:103] Top shape: 100 1 1 1 (100)  
  20. I0313 00:40:24.550855 13825 net.cpp:103] Top shape: 100 1 1 1 (100)  
  21. I0313 00:40:24.550866 13825 net.cpp:113] Memory required for data: 1230000  
  22. I0313 00:40:24.550889 13825 net.cpp:67] Creating Layer conv1  
  23. I0313 00:40:24.550902 13825 net.cpp:394] conv1 <- data  
  24. I0313 00:40:24.550926 13825 net.cpp:356] conv1 -> conv1  
  25. I0313 00:40:24.550951 13825 net.cpp:96] Setting up conv1  
  26. I0313 00:40:24.551573 13825 net.cpp:103] Top shape: 100 32 32 32 (3276800)  
  27. I0313 00:40:24.551583 13825 net.cpp:113] Memory required for data: 14337200  
  28. I0313 00:40:24.551599 13825 net.cpp:67] Creating Layer pool1  
  29. I0313 00:40:24.551605 13825 net.cpp:394] pool1 <- conv1  
  30. I0313 00:40:24.551615 13825 net.cpp:356] pool1 -> pool1  
  31. I0313 00:40:24.551625 13825 net.cpp:96] Setting up pool1  
  32. I0313 00:40:24.551633 13825 net.cpp:103] Top shape: 100 32 16 16 (819200)  
  33. I0313 00:40:24.551638 13825 net.cpp:113] Memory required for data: 17614000  
  34. I0313 00:40:24.551652 13825 net.cpp:67] Creating Layer relu1  
  35. I0313 00:40:24.551658 13825 net.cpp:394] relu1 <- pool1  
  36. I0313 00:40:24.551667 13825 net.cpp:345] relu1 -> pool1 (in-place)  
  37. I0313 00:40:24.551676 13825 net.cpp:96] Setting up relu1  
  38. I0313 00:40:24.551682 13825 net.cpp:103] Top shape: 100 32 16 16 (819200)  
  39. I0313 00:40:24.551687 13825 net.cpp:113] Memory required for data: 20890800  
  40. I0313 00:40:24.551695 13825 net.cpp:67] Creating Layer conv2  
  41. I0313 00:40:24.551700 13825 net.cpp:394] conv2 <- pool1  
  42. I0313 00:40:24.551710 13825 net.cpp:356] conv2 -> conv2  
  43. I0313 00:40:24.551720 13825 net.cpp:96] Setting up conv2  
  44. I0313 00:40:24.554986 13825 net.cpp:103] Top shape: 100 32 16 16 (819200)  
  45. I0313 00:40:24.554996 13825 net.cpp:113] Memory required for data: 24167600  
  46. I0313 00:40:24.555009 13825 net.cpp:67] Creating Layer relu2  
  47. I0313 00:40:24.555024 13825 net.cpp:394] relu2 <- conv2  
  48. I0313 00:40:24.555034 13825 net.cpp:345] relu2 -> conv2 (in-place)  
  49. I0313 00:40:24.555043 13825 net.cpp:96] Setting up relu2  
  50. I0313 00:40:24.555049 13825 net.cpp:103] Top shape: 100 32 16 16 (819200)  
  51. I0313 00:40:24.555054 13825 net.cpp:113] Memory required for data: 27444400  
  52. I0313 00:40:24.555061 13825 net.cpp:67] Creating Layer pool2  
  53. I0313 00:40:24.555068 13825 net.cpp:394] pool2 <- conv2  
  54. I0313 00:40:24.555076 13825 net.cpp:356] pool2 -> pool2  
  55. I0313 00:40:24.555085 13825 net.cpp:96] Setting up pool2  
  56. I0313 00:40:24.555094 13825 net.cpp:103] Top shape: 100 32 8 8 (204800)  
  57. I0313 00:40:24.555099 13825 net.cpp:113] Memory required for data: 28263600  
  58. I0313 00:40:24.555109 13825 net.cpp:67] Creating Layer conv3  
  59. I0313 00:40:24.555114 13825 net.cpp:394] conv3 <- pool2  
  60. I0313 00:40:24.555124 13825 net.cpp:356] conv3 -> conv3  
  61. I0313 00:40:24.555135 13825 net.cpp:96] Setting up conv3  
  62. I0313 00:40:24.561589 13825 net.cpp:103] Top shape: 100 64 8 8 (409600)  
  63. I0313 00:40:24.561599 13825 net.cpp:113] Memory required for data: 29902000  
  64. I0313 00:40:24.561611 13825 net.cpp:67] Creating Layer relu3  
  65. I0313 00:40:24.561619 13825 net.cpp:394] relu3 <- conv3  
  66. I0313 00:40:24.561627 13825 net.cpp:345] relu3 -> conv3 (in-place)  
  67. I0313 00:40:24.561636 13825 net.cpp:96] Setting up relu3  
  68. I0313 00:40:24.561642 13825 net.cpp:103] Top shape: 100 64 8 8 (409600)  
  69. I0313 00:40:24.561646 13825 net.cpp:113] Memory required for data: 31540400  
  70. I0313 00:40:24.561655 13825 net.cpp:67] Creating Layer pool3  
  71. I0313 00:40:24.561661 13825 net.cpp:394] pool3 <- conv3  
  72. I0313 00:40:24.561669 13825 net.cpp:356] pool3 -> pool3  
  73. I0313 00:40:24.561678 13825 net.cpp:96] Setting up pool3  
  74. I0313 00:40:24.561686 13825 net.cpp:103] Top shape: 100 64 4 4 (102400)  
  75. I0313 00:40:24.561691 13825 net.cpp:113] Memory required for data: 31950000  
  76. I0313 00:40:24.561699 13825 net.cpp:67] Creating Layer ip1  
  77. I0313 00:40:24.561704 13825 net.cpp:394] ip1 <- pool3  
  78. I0313 00:40:24.561714 13825 net.cpp:356] ip1 -> ip1  
  79. I0313 00:40:24.561724 13825 net.cpp:96] Setting up ip1  
  80. I0313 00:40:24.569967 13825 net.cpp:103] Top shape: 100 64 1 1 (6400)  
  81. I0313 00:40:24.569975 13825 net.cpp:113] Memory required for data: 31975600  
  82. I0313 00:40:24.569988 13825 net.cpp:67] Creating Layer ip2  
  83. I0313 00:40:24.569993 13825 net.cpp:394] ip2 <- ip1  
  84. I0313 00:40:24.570004 13825 net.cpp:356] ip2 -> ip2  
  85. I0313 00:40:24.570014 13825 net.cpp:96] Setting up ip2  
  86. I0313 00:40:24.570108 13825 net.cpp:103] Top shape: 100 10 1 1 (1000)  
  87. I0313 00:40:24.570114 13825 net.cpp:113] Memory required for data: 31979600  
  88. I0313 00:40:24.570127 13825 net.cpp:67] Creating Layer ip2_ip2_0_split  
  89. I0313 00:40:24.570134 13825 net.cpp:394] ip2_ip2_0_split <- ip2  
  90. I0313 00:40:24.570143 13825 net.cpp:356] ip2_ip2_0_split -> ip2_ip2_0_split_0  
  91. I0313 00:40:24.570154 13825 net.cpp:356] ip2_ip2_0_split -> ip2_ip2_0_split_1  
  92. I0313 00:40:24.570163 13825 net.cpp:96] Setting up ip2_ip2_0_split  
  93. I0313 00:40:24.570171 13825 net.cpp:103] Top shape: 100 10 1 1 (1000)  
  94. I0313 00:40:24.570176 13825 net.cpp:103] Top shape: 100 10 1 1 (1000)  
  95. I0313 00:40:24.570181 13825 net.cpp:113] Memory required for data: 31987600  
  96. I0313 00:40:24.570189 13825 net.cpp:67] Creating Layer accuracy  
  97. I0313 00:40:24.570194 13825 net.cpp:394] accuracy <- ip2_ip2_0_split_0  
  98. I0313 00:40:24.570202 13825 net.cpp:394] accuracy <- label_cifar_1_split_0  
  99. I0313 00:40:24.570214 13825 net.cpp:356] accuracy -> accuracy  
  100. I0313 00:40:24.570222 13825 net.cpp:96] Setting up accuracy  
  101. I0313 00:40:24.570230 13825 net.cpp:103] Top shape: 1 1 1 1 (1)  
  102. I0313 00:40:24.570235 13825 net.cpp:113] Memory required for data: 31987604  
  103. I0313 00:40:24.570245 13825 net.cpp:67] Creating Layer loss  
  104. I0313 00:40:24.570250 13825 net.cpp:394] loss <- ip2_ip2_0_split_1  
  105. I0313 00:40:24.570257 13825 net.cpp:394] loss <- label_cifar_1_split_1  
  106. I0313 00:40:24.570266 13825 net.cpp:356] loss -> loss  
  107. I0313 00:40:24.570274 13825 net.cpp:96] Setting up loss  
  108. I0313 00:40:24.570286 13825 net.cpp:103] Top shape: 1 1 1 1 (1)  
  109. I0313 00:40:24.570291 13825 net.cpp:109]     with loss weight 1  
  110. I0313 00:40:24.570305 13825 net.cpp:113] Memory required for data: 31987608  
  111. I0313 00:40:24.570312 13825 net.cpp:170] loss needs backward computation.  
  112. I0313 00:40:24.570317 13825 net.cpp:172] accuracy does not need backward computation.  
  113. I0313 00:40:24.570322 13825 net.cpp:170] ip2_ip2_0_split needs backward computation.  
  114. I0313 00:40:24.570338 13825 net.cpp:170] ip2 needs backward computation.  
  115. I0313 00:40:24.570349 13825 net.cpp:170] ip1 needs backward computation.  
  116. I0313 00:40:24.570359 13825 net.cpp:170] pool3 needs backward computation.  
  117. I0313 00:40:24.570372 13825 net.cpp:170] relu3 needs backward computation.  
  118. I0313 00:40:24.570384 13825 net.cpp:170] conv3 needs backward computation.  
  119. I0313 00:40:24.570396 13825 net.cpp:170] pool2 needs backward computation.  
  120. I0313 00:40:24.570406 13825 net.cpp:170] relu2 needs backward computation.  
  121. I0313 00:40:24.570420 13825 net.cpp:170] conv2 needs backward computation.  
  122. I0313 00:40:24.570432 13825 net.cpp:170] relu1 needs backward computation.  
  123. I0313 00:40:24.570442 13825 net.cpp:170] pool1 needs backward computation.  
  124. I0313 00:40:24.570456 13825 net.cpp:170] conv1 needs backward computation.  
  125. I0313 00:40:24.570471 13825 net.cpp:172] label_cifar_1_split does not need backward computation.  
  126. I0313 00:40:24.570482 13825 net.cpp:172] cifar does not need backward computation.  
  127. I0313 00:40:24.570494 13825 net.cpp:208] This network produces output accuracy  
  128. I0313 00:40:24.570505 13825 net.cpp:208] This network produces output loss  
  129. I0313 00:40:24.570536 13825 net.cpp:467] Collecting Learning Rate and Weight Decay.  
  130. I0313 00:40:24.570549 13825 net.cpp:219] Network initialization done.  
  131. I0313 00:40:24.570554 13825 net.cpp:220] Memory required for data: 31987608  
  132. I0313 00:40:24.570590 13825 solver.cpp:41] Solver scaffolding done.  
  133. I0313 00:40:24.570595 13825 solver.cpp:160] Solving CIFAR10_quick  
  134. I0313 00:40:24.570600 13825 solver.cpp:161] Learning Rate Policy: fixed  
  135. I0313 00:40:24.570631 13825 solver.cpp:264] Iteration 0, Testing net (#0)  
  136. I0313 00:40:24.570639 13825 net.cpp:652] Copying source layer cifar  
  137. I0313 00:40:24.570644 13825 net.cpp:652] Copying source layer conv1  
  138. I0313 00:40:24.570652 13825 net.cpp:652] Copying source layer pool1  
  139. I0313 00:40:24.570657 13825 net.cpp:652] Copying source layer relu1  
  140. I0313 00:40:24.570662 13825 net.cpp:652] Copying source layer conv2  
  141. I0313 00:40:24.570667 13825 net.cpp:652] Copying source layer relu2  
  142. I0313 00:40:24.570672 13825 net.cpp:652] Copying source layer pool2  
  143. I0313 00:40:24.570677 13825 net.cpp:652] Copying source layer conv3  
  144. I0313 00:40:24.570696 13825 net.cpp:652] Copying source layer relu3  
  145. I0313 00:40:24.570703 13825 net.cpp:652] Copying source layer pool3  
  146. I0313 00:40:24.570708 13825 net.cpp:652] Copying source layer ip1  
  147. I0313 00:40:24.570724 13825 net.cpp:652] Copying source layer ip2  
  148. I0313 00:40:24.570729 13825 net.cpp:652] Copying source layer loss  
  149. }  
  150. I0313 00:40:24.471531 13825 net.cpp:56] Memory required for data: 0  
  151. I0313 00:40:24.471560 13825 net.cpp:67] Creating Layer cifar  
  152. I0313 00:40:24.471570 13825 net.cpp:356] cifar -> data  
  153. I0313 00:40:24.471585 13825 net.cpp:356] cifar -> label  
  154. I0313 00:40:24.471596 13825 net.cpp:96] Setting up cifar  
  155. I0313 00:40:24.471602 13825 data_layer.cpp:45] Opening leveldb examples/cifar10/cifar10_test_leveldb  
  156. I0313 00:40:24.549324 13825 data_layer.cpp:128] output data size: 100,3,32,32  
  157. I0313 00:40:24.549372 13825 base_data_layer.cpp:36] Loading mean file fromexamples/cifar10/mean.binaryproto  
  158. I0313 00:40:24.550582 13825 base_data_layer.cpp:64] Initializing prefetch  
  159. I0313 00:40:24.550639 13825 base_data_layer.cpp:66] Prefetch initialized.  
  160. I0313 00:40:24.550683 13825 net.cpp:103] Top shape: 100 3 32 32 (307200)  
  161. I0313 00:40:24.550698 13825 net.cpp:103] Top shape: 100 1 1 1 (100)  
  162. I0313 00:40:24.550709 13825 net.cpp:113] Memory required for data: 1229200  
  163. I0313 00:40:24.550734 13825 net.cpp:67] Creating Layer label_cifar_1_split  
  164. I0313 00:40:24.550750 13825 net.cpp:394] label_cifar_1_split <- label  
  165. I0313 00:40:24.550775 13825 net.cpp:356] label_cifar_1_split -> label_cifar_1_split_0  
  166. I0313 00:40:24.550802 13825 net.cpp:356] label_cifar_1_split -> label_cifar_1_split_1  
  167. I0313 00:40:24.550824 13825 net.cpp:96] Setting up label_cifar_1_split  
  168. I0313 00:40:24.550843 13825 net.cpp:103] Top shape: 100 1 1 1 (100)  
  169. I0313 00:40:24.550855 13825 net.cpp:103] Top shape: 100 1 1 1 (100)  
  170. I0313 00:40:24.550866 13825 net.cpp:113] Memory required for data: 1230000  
  171. I0313 00:40:24.550889 13825 net.cpp:67] Creating Layer conv1  
  172. I0313 00:40:24.550902 13825 net.cpp:394] conv1 <- data  
  173. I0313 00:40:24.550926 13825 net.cpp:356] conv1 -> conv1  
  174. I0313 00:40:24.550951 13825 net.cpp:96] Setting up conv1  
  175. I0313 00:40:24.551573 13825 net.cpp:103] Top shape: 100 32 32 32 (3276800)  
  176. I0313 00:40:24.551583 13825 net.cpp:113] Memory required for data: 14337200  
  177. I0313 00:40:24.551599 13825 net.cpp:67] Creating Layer pool1  
  178. I0313 00:40:24.551605 13825 net.cpp:394] pool1 <- conv1  
  179. I0313 00:40:24.551615 13825 net.cpp:356] pool1 -> pool1  
  180. I0313 00:40:24.551625 13825 net.cpp:96] Setting up pool1  
  181. I0313 00:40:24.551633 13825 net.cpp:103] Top shape: 100 32 16 16 (819200)  
  182. I0313 00:40:24.551638 13825 net.cpp:113] Memory required for data: 17614000  
  183. I0313 00:40:24.551652 13825 net.cpp:67] Creating Layer relu1  
  184. I0313 00:40:24.551658 13825 net.cpp:394] relu1 <- pool1  
  185. I0313 00:40:24.551667 13825 net.cpp:345] relu1 -> pool1 (in-place)  
  186. I0313 00:40:24.551676 13825 net.cpp:96] Setting up relu1  
  187. I0313 00:40:24.551682 13825 net.cpp:103] Top shape: 100 32 16 16 (819200)  
  188. I0313 00:40:24.551687 13825 net.cpp:113] Memory required for data: 20890800  
  189. I0313 00:40:24.551695 13825 net.cpp:67] Creating Layer conv2  
  190. I0313 00:40:24.551700 13825 net.cpp:394] conv2 <- pool1  
  191. I0313 00:40:24.551710 13825 net.cpp:356] conv2 -> conv2  
  192. I0313 00:40:24.551720 13825 net.cpp:96] Setting up conv2  
  193. I0313 00:40:24.554986 13825 net.cpp:103] Top shape: 100 32 16 16 (819200)  
  194. I0313 00:40:24.554996 13825 net.cpp:113] Memory required for data: 24167600  
  195. I0313 00:40:24.555009 13825 net.cpp:67] Creating Layer relu2  
  196. I0313 00:40:24.555024 13825 net.cpp:394] relu2 <- conv2  
  197. I0313 00:40:24.555034 13825 net.cpp:345] relu2 -> conv2 (in-place)  
  198. I0313 00:40:24.555043 13825 net.cpp:96] Setting up relu2  
  199. I0313 00:40:24.555049 13825 net.cpp:103] Top shape: 100 32 16 16 (819200)  
  200. I0313 00:40:24.555054 13825 net.cpp:113] Memory required for data: 27444400  
  201. I0313 00:40:24.555061 13825 net.cpp:67] Creating Layer pool2  
  202. I0313 00:40:24.555068 13825 net.cpp:394] pool2 <- conv2  
  203. I0313 00:40:24.555076 13825 net.cpp:356] pool2 -> pool2  
  204. I0313 00:40:24.555085 13825 net.cpp:96] Setting up pool2  
  205. I0313 00:40:24.555094 13825 net.cpp:103] Top shape: 100 32 8 8 (204800)  
  206. I0313 00:40:24.555099 13825 net.cpp:113] Memory required for data: 28263600  
  207. I0313 00:40:24.555109 13825 net.cpp:67] Creating Layer conv3  
  208. I0313 00:40:24.555114 13825 net.cpp:394] conv3 <- pool2  
  209. I0313 00:40:24.555124 13825 net.cpp:356] conv3 -> conv3  
  210. I0313 00:40:24.555135 13825 net.cpp:96] Setting up conv3  
  211. I0313 00:40:24.5I0313 00:41:19.945504 13934 data_layer.cpp:187] Restarting data prefetching from start.  
  212. I0313 00:41:21.066936 13825 solver.cpp:315]     Test net output #0: accuracy = 0.0932  
  213. I0313 00:41:21.066978 13825 solver.cpp:315]     Test net output #1: loss = 2.30265 (* 1 = 2.30265 loss)  
  214. I0313 00:41:22.483836 13825 solver.cpp:209] Iteration 0, loss = 2.3028  
  215. I0313 00:41:22.483877 13825 solver.cpp:224]     Train net output #0: loss = 2.3028 (* 1 = 2.3028 loss)  
  216. I0313 00:41:22.483894 13825 solver.cpp:445] Iteration 0, lr = 0.001  
  217. I0313 00:43:45.116195 13825 solver.cpp:209] Iteration 100, loss = 1.785  
  218. I0313 00:43:45.116281 13825 solver.cpp:224]     Train net output #0: loss = 1.785 (* 1 = 1.785 loss)  
  219. I0313 00:43:45.116291 13825 solver.cpp:445] Iteration 100, lr = 0.001  
  220. I0313 00:46:07.567387 13825 solver.cpp:209] Iteration 200, loss = 1.62294  
  221. I0313 00:46:07.567468 13825 solver.cpp:224]     Train net output #0: loss = 1.62294 (* 1 = 1.62294 loss)  
  222. I0313 00:46:07.567479 13825 solver.cpp:445] Iteration 200, lr = 0.001  
  223. I0313 00:48:30.618835 13825 solver.cpp:209] Iteration 300, loss = 1.34621  
  224. I0313 00:48:30.618942 13825 solver.cpp:224]     Train net output #0: loss = 1.34621 (* 1 = 1.34621 loss)  
  225. I0313 00:48:30.618953 13825 solver.cpp:445] Iteration 300, lr = 0.001  
[html]  view plain copy
  1. I0313 00:50:52.191938 13825 solver.cpp:209] Iteration 400, loss = 1.28778  
  2. I0313 00:50:52.192026 13825 solver.cpp:224]     Train net output #0: loss = 1.28778 (* 1 = 1.28778 loss)  
  3. I0313 00:50:52.192037 13825 solver.cpp:445] Iteration 400, lr = 0.001  
  4. I0313 00:53:09.941452 14527 data_layer.cpp:187] Restarting data prefetching from start.  
  5. I0313 00:53:12.735488 13825 solver.cpp:264] Iteration 500, Testing net (#0)  
  6. I0313 00:53:12.735517 13825 net.cpp:652] Copying source layer cifar  
  7. I0313 00:53:12.735524 13825 net.cpp:652] Copying source layer conv1  
  8. I0313 00:53:12.735530 13825 net.cpp:652] Copying source layer pool1  
  9. I0313 00:53:12.735535 13825 net.cpp:652] Copying source layer relu1  
  10. I0313 00:53:12.735540 13825 net.cpp:652] Copying source layer conv2  
  11. I0313 00:53:12.735545 13825 net.cpp:652] Copying source layer relu2  
  12. I0313 00:53:12.735550 13825 net.cpp:652] Copying source layer pool2  
  13. I0313 00:53:12.735554 13825 net.cpp:652] Copying source layer conv3  
  14. I0313 00:53:12.735560 13825 net.cpp:652] Copying source layer relu3  
  15. I0313 00:53:12.735565 13825 net.cpp:652] Copying source layer pool3  
  16. I0313 00:53:12.735569 13825 net.cpp:652] Copying source layer ip1  
  17. I0313 00:53:12.735575 13825 net.cpp:652] Copying source layer ip2  
  18. I0313 00:53:12.735580 13825 net.cpp:652] Copying source layer loss  
  19. I0313 00:54:08.180796 14634 data_layer.cpp:187] Restarting data prefetching from start.  
  20. I0313 00:54:09.297691 13825 solver.cpp:315]     Test net output #0: accuracy = 0.5571  
  21. I0313 00:54:09.297731 13825 solver.cpp:315]     Test net output #1: loss = 1.271 (* 1 = 1.271 loss)  
  22. I0313 00:54:10.695636 13825 solver.cpp:209] Iteration 500, loss = 1.20884  
  23. I0313 00:54:10.695677 13825 solver.cpp:224]     Train net output #0: loss = 1.20884 (* 1 = 1.20884 loss)  
  24. I0313 00:54:10.695686 13825 solver.cpp:445] Iteration 500, lr = 0.001  
  25. I0313 00:56:32.906312 13825 solver.cpp:209] Iteration 600, loss = 1.18048  
  26. I0313 00:56:32.906397 13825 solver.cpp:224]     Train net output #0: loss = 1.18048 (* 1 = 1.18048 loss)  
  27. I0313 00:56:32.906407 13825 solver.cpp:445] Iteration 600, lr = 0.001  
[html]  view plain copy
  1.   
[html]  view plain copy
  1. ……  
[html]  view plain copy
  1.   

附上readme里面的解释

[html]  view plain copy
  1. When you run the code, you will see a lot of messages flying by like this:  
  2.   
  3. I0317 21:52:48.945710 2008298256 net.cpp:74] Creating Layer conv1  
  4. I0317 21:52:48.945716 2008298256 net.cpp:84] conv1 <- data  
  5. I0317 21:52:48.945725 2008298256 net.cpp:110] conv1 -> conv1  
  6. I0317 21:52:49.298691 2008298256 net.cpp:125] Top shape: 100 32 32 32 (3276800)  
  7. I0317 21:52:49.298719 2008298256 net.cpp:151] conv1 needs backward computation.  
  8. These messages tell you the details about each layer, its connections and its output shape, which may be   
  9.   
  10. helpful in debugging. After the initialization, the training will start:  
  11.   
  12. I0317 21:52:49.309370 2008298256 net.cpp:166] Network initialization done.  
  13. I0317 21:52:49.309376 2008298256 net.cpp:167] Memory required for Data 23790808  
  14. I0317 21:52:49.309422 2008298256 solver.cpp:36] Solver scaffolding done.  
  15. I0317 21:52:49.309447 2008298256 solver.cpp:47] Solving CIFAR10_quick_train  
  16. Based on the solver setting, we will print the training loss function every 100 iterations, and test the   
  17.   
  18. network every 500 iterations. You will see messages like this:  
  19.   
  20. I0317 21:53:12.179772 2008298256 solver.cpp:208] Iteration 100, lr = 0.001  
  21. I0317 21:53:12.185698 2008298256 solver.cpp:65] Iteration 100, loss = 1.73643  
  22. ...  
  23. I0317 21:54:41.150030 2008298256 solver.cpp:87] Iteration 500, Testing net  
  24. I0317 21:54:47.129461 2008298256 solver.cpp:114] Test score #0: 0.5504  
  25. I0317 21:54:47.129500 2008298256 solver.cpp:114] Test score #1: 1.27805  
  26. For each training iteration, lr is the learning rate of that iteration, and loss is the training function. For   
  27.   
  28. the output of the testing phase, score 0 is the accuracy, and score 1 is the testing loss function.  
  29.   
  30. And after making yourself a cup of coffee, you are done!  
  31.   
  32. I0317 22:12:19.666914 2008298256 solver.cpp:87] Iteration 5000, Testing net  
  33. I0317 22:12:25.580330 2008298256 solver.cpp:114] Test score #0: 0.7533  
  34. I0317 22:12:25.580379 2008298256 solver.cpp:114] Test score #1: 0.739837  
  35. I0317 22:12:25.587262 2008298256 solver.cpp:130] Snapshotting to cifar10_quick_iter_5000  
  36. I0317 22:12:25.590215 2008298256 solver.cpp:137] Snapshotting solver state to   
  37.   
  38. cifar10_quick_iter_5000.solverstate  
  39. I0317 22:12:25.592813 2008298256 solver.cpp:81] Optimization Done.  
  40. Our model achieved ~75% test accuracy. The model parameters are stored in binary protobuf format in  
  41.   
  42. cifar10_quick_iter_5000  

你可能感兴趣的:(【图像】Deep,Learning)

  • 机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习python
    一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
  • 基于社交网络算法优化的二维最大熵图像分割 智能算法研学社（Jack旭） 智能优化算法应用图像分割算法php开发语言
    智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码文章目录智能优化算法应用：基于社交网络优化的二维最大熵图像阈值分割-附代码1.前言2.二维最大熵阈值分割原理3.基于社交网络优化的多阈值分割4.算法结果：5.参考文献：6.Matlab代码摘要：本文介绍基于最大熵的图像分割，并且应用社交网络算法进行阈值寻优。1.前言阅读此文章前，请阅读《图像分割：直方图区域划分及信息统计介绍》htt
  • 使用LLaVa和Ollama实现多模态RAG示例 llzwxh888 python人工智能开发语言
    本文将详细介绍如何使用LLaVa和Ollama实现多模态RAG（检索增强生成），通过提取图像中的结构化数据、生成图像字幕等功能来展示这一技术的强大之处。安装环境首先，您需要安装以下依赖包：!pipinstallllama-index-multi-modal-llms-ollama!pipinstallllama-index-readers-file!pipinstallunstructured!p
  • 番茄西红柿叶子病害分类数据集12882张11类别 futureflsl 数据集分类数据挖掘人工智能
    数据集类型：图像分类用，不可用于目标检测无标注文件数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片图片数量(jpg文件个数)：12882分类类别数：11类别名称:["Bacterial_Spot_Bacteria","Early_Blight_Fungus","Healthy","Late_Blight_Water_Mold","Leaf_Mold_Fungus","Powdery
  • JavaScript 中，深拷贝（Deep Copy）和浅拷贝（Shallow Copy） 跳房子的前端 前端面试javascript开发语言ecmascript
    在JavaScript中，深拷贝（DeepCopy）和浅拷贝（ShallowCopy）是用于复制对象或数组的两种不同方法。了解它们的区别和应用场景对于避免潜在的bugs和高效地处理数据非常重要。以下是对深拷贝和浅拷贝的详细解释，包括它们的概念、用途、优缺点以及实现方式。1.浅拷贝（ShallowCopy）概念定义：浅拷贝是指创建一个新的对象或数组，其中包含了原对象或数组的基本数据类型的值和对引用数
  • 利用python实现图片格式之间的相互转换 难得北窗高卧 python开发语言
    一、概要图片一般有多种格式，常见的图片格式包括：JPEG（.jpg或.jpeg）：一种广泛使用的有损压缩格式，适用于摄影图像和网页上的图片。PNG（.png）：一种无损压缩格式，支持透明度和更好的图像质量，常用于图标、图形和需要透明背景的图片。该图片是4通道的，外加一个透明通道。如截屏GIF（.gif）：一种支持动画和透明度的格式，常用于简单的动画和图标。BMP（.bmp）：一种无损格式，存储图像
  • 遥感影像的切片处理 sand&wich 计算机视觉python图像处理
    在遥感影像分析中，经常需要将大尺寸的影像切分成小片段，以便于进行详细的分析和处理。这种方法特别适用于机器学习和图像处理任务，如对象检测、图像分类等。以下是如何使用Python和OpenCV库来实现这一过程，同时确保每个影像片段保留正确的地理信息。准备环境首先，确保安装了必要的Python库，包括numpy、opencv-python和xml.etree.ElementTree。这些库将用于图像处理
  • Python实现下载当前年份的谷歌影像 sand&wich python开发语言
    在GIS项目和地图应用中，获取最新的地理影像数据是非常重要的。本文将介绍如何使用Python代码从Google地图自动下载当前年份的影像数据，并将其保存为高分辨率的TIFF格式文件。这个过程涉及地理坐标转换、多线程下载和图像处理。关键功能该脚本的核心功能包括：坐标转换：支持WGS-84与WebMercator投影之间转换，以及处理中国GCJ-02偏移。自动化下载：多线程下载地图瓦片，提高效率。图像
  • Python实现TIFF 文件转换为 PNG 和 JPG 格式 sand&wich python开发语言
    在日常的图像处理工作中，可能会遇到需要将TIFF格式的图像转换为其他格式的情况，例如PNG和JPG。下面，本文将介绍如何使用Python和GDAL库实现这一功能。准备工作在开始之前，请确保已经安装了必要的库：GDAL（GeospatialDataAbstractionLibrary）可以使用以下命令安装GDAL：pipinstallgdal代码实现以下是一个将TIFF文件转换为PNG文件的示例代码
  • Python数据分析与可视化 jun778895 python数据分析开发语言
    Python数据分析与可视化是一个涉及数据处理、分析和以图形化方式展示数据的过程，它对于数据科学家、分析师以及任何需要从数据中提取洞察力的专业人员来说至关重要。以下将详细探讨Python在数据分析与可视化方面的应用，包括常用的库、数据处理流程、可视化技巧以及实际应用案例。一、Python数据分析与可视化的重要性数据可视化是将数据以图形或图像的形式表示出来，以便人们能够更直观地理解数据背后的信息和规
  • docker from指令的含义_多个FROM-含义 weixin_39722188 dockerfrom指令的含义
    小编典典什么是基本图片？一组文件，加上EXPOSE端口ENTRYPOINT和CMD。您可以添加文件并基于该基础图像构建新图像，Dockerfile并以FROM指令开头：后面提到的图像FROM是新图像的“基础图像”。这是否意味着如果我neo4j/neo4j在FROM指令中声明，则在运行映像时，neo数据库将自动运行并且可在端口7474的容器中使用？仅当您不覆盖CMD和时ENTRYPOINT。但是图像
  • 深度 Qlearning：在直播推荐系统中的应用 AGI通用人工智能之禅 程序员提升自我硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLMJavaPython架构设计Agent程序员实现财富自由
    深度Q-learning：在直播推荐系统中的应用关键词：深度Q-learning,强化学习,直播推荐系统,个性化推荐1.背景介绍1.1问题的由来随着互联网技术的飞速发展,直播平台如雨后春笋般涌现。面对海量的直播内容,用户很难快速找到自己感兴趣的内容。因此,个性化推荐系统在直播平台中扮演着越来越重要的角色。1.2研究现状目前,主流的个性化推荐算法包括协同过滤、基于内容的推荐等。这些方法在一定程度上缓
  • 轻量级模型解读——轻量transformer系列 lishanlu136 #图像分类轻量级模型transformer图像分类
    先占坑，持续更新。。。文章目录1、DeiT2、ConViT3、Mobile-Former4、MobileViTTransformer是2017谷歌提出的一篇论文，最早应用于NLP领域的机器翻译工作，Transformer解读，但随着2020年DETR和ViT的出现(DETR解读，ViT解读)，其在视觉领域的应用也如雨后春笋般渐渐出现，其特有的全局注意力机制给图像识别领域带来了重要参考。但是tran
  • 个人学习笔记7-6：动手学深度学习pytorch版-李沐 浪子L 深度学习深度学习笔记计算机视觉python人工智能神经网络pytorch
    #人工智能##深度学习##语义分割##计算机视觉##神经网络#计算机视觉13.11全卷积网络全卷积网络（fullyconvolutionalnetwork，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换。引入l转置卷积（transposedconvolution）实现的，输出的类别预测与输入图像在像素级别上具有一一对应关系：通道维的输出即该位置对应像素的类别预测。13.11.1构造模型下
  • 深度学习-点击率预估-研究论文2024-09-14速读 sp_fyf_2024 深度学习人工智能
    深度学习-点击率预估-研究论文2024-09-14速读1.DeepTargetSessionInterestNetworkforClick-ThroughRatePredictionHZhong,JMa,XDuan,SGu,JYao-2024InternationalJointConferenceonNeuralNetworks,2024深度目标会话兴趣网络用于点击率预测摘要：这篇文章提出了一种新
  • 使用Python和Playwright破解滑动验证码 asfdsgdf python开发语言
    滑动验证码是一种常见的验证码形式，通过拖动滑块将缺失的拼图块对准原图中的空缺位置来验证用户操作。本文将介绍如何使用Python中的OpenCV进行模板匹配，并结合Playwright实现自动化破解滑动验证码的过程。所需技术OpenCV模板匹配：用于识别滑块在背景图中的正确位置。Python：主要编程语言。Playwright：用于浏览器自动化，模拟用户操作。破解过程概述获取验证码图像：下载背景图和
  • OpenCV图像处理技术（Python）——入门 森屿_ opencv
    ©FuXianjun.AllRightsReserved.OpenCV入门图像作为人类感知世界的视觉基础，是人类获取信息、表达信息的重要手段，OpenCV作为一个开源的计算机视觉库，它包括几百个易用的图像成像和视觉函数，既可以用于学术研究，也可用于工业邻域，它于1999年由因特尔的GaryBradski启动，OpenCV库主要由C和C++语言编写，它可以在多个操作系统上运行。1.1图像处理基本操作
  • opencv学习：图像旋转的两种方法，旋转后的图片进行模板匹配代码实现 夜清寒风 学习opencv机器学习人工智能计算机视觉
    图像旋转在图像处理中，rotate和rot90是两种常见的图像旋转方法，它们在功能和使用上有一些区别。下面我将分别介绍这两种方法，并解释它们的主要区别rot90方法rot90方法是NumPy提供的一种数组旋转函数，它主要用于对二维数组（如图像）进行90度的旋转。这个方法比较简单，只支持90度的倍数旋转，不支持任意角度旋转。使用NumPy进行旋转使用NumPy的rot90函数对模板图像进行旋转操作。
  • 腾讯发表多模态综述，一文详解多模态大模型 存内计算开发者社区 多模态大模型人工智能chatgptAIGC量子计算AI-nativegptagi
    多模态大语言模型（MLLM）是近年来兴起的一个新的研究热点，它利用强大的大语言模型作为大脑来执行多模态任务。MLLM令人惊讶的新兴能力，如基于图像写故事和无OCR的数学推理，在传统方法中是罕见的，这表明了一条通往人工通用智能的潜在道路。在本文中，追踪多模态大模型最新热点，讨论多模态关键技术以及现有在情绪识别上的应用。腾讯AILab发表了一篇关于多模态大模型的最新综述《MM-LLMs:RecentA
  • Python OpenCV图像处理：从基础到高级的全方位指南 极客代码 玩转Python开发语言pythonopencv图像处理计算机视觉
    目录第一部分：PythonOpenCV图像处理基础1.1OpenCV简介1.2PythonOpenCV安装1.3实战案例：图像显示与保存1.4注意事项第二部分：PythonOpenCV图像处理高级技巧2.1图像变换2.2图像增强2.3图像复原第三部分：PythonOpenCV图像处理实战项目3.1图像滤波3.2图像分割3.3图像特征提取第四部分：PythonOpenCV图像处理注意事项与优化策略4
  • matlab设置图像窗口大小,matlab 图形窗口大小的设置 weixin_39534002 matlab设置图像窗口大小
    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%常用选项和小技巧%%%%%%画等值线[cchh]=contour(peaks(30),'LINESPEC','b-')clabel(cc,hh,'manual')%写文本text(5,10,'\bfmath\slmath\itmath\rmmath\alpha','color',[0.10.10.9],'fonts
  • Linux使用mjpg-streamer进行图像传输 —你的鼬先生 Linux驱动linux树莓派图像传输
    图像传输是一项在Linux操作系统中比较常见的一个操作，在视频图传时，一般是采用MJPG-streamer来进行图像传输，本文就以树莓派为例子，来示范一个图像传输。1.树莓派的摄像头激活首先更新树莓派sudoapt-getupdatesudoapt-getupgrade随后打开树莓派的配置界面，选择InterfaceOptionsudoraspi-config在InterfaceOption选择C
  • FPGA_mipi 哈呀_fpga fpga开发逻辑高速接口系统架构高速传输
    1mipi接口mipi(移动行业处理器接口，是为高速数据传输量身定做的，旨在解决日益增长的高清图像(视频)传输的高带宽要求与传统接口低速率之间的矛盾。采用差分信号传输，在设计时需要按照差分设计的一般规则进行严格的设计。mipi协议提出之际，主要有2个应用，csi(摄像头串行接口)，旨在为高清摄像头和应用处理器之间提供一个高速串行接口，和dsi(显示串行接口)，旨在为应用处理器和显示设备之间提供一个
  • 遥感图像分割系统：融合空间金字塔池化（FocalModulation)改进YOLOv8 xuehaisj YOLO人工智能计算机视觉yolov8
    1.研究背景与意义项目参考AAAIAssociationfortheAdvancementofArtificialIntelligence研究背景与意义遥感图像分割是遥感技术领域中的一个重要研究方向，它的目标是将遥感图像中的不同地物或地物类别进行有效的分割和识别。随着遥感技术的不断发展和遥感图像数据的大规模获取，遥感图像分割在农业、城市规划、环境监测等领域具有广泛的应用前景。然而，由于遥感图像的特
  • python图像匹配_opencvpython中的图像匹配 weixin_39585675 python图像匹配
    我一直在做一个项目，用opencvpython识别相机中显示的标志。我已经尝试过使用surf、颜色直方图匹配和模板匹配。但在这3个问题中，它并不总是返回正确的答案。我现在想要的是，解决我这个问题的最好办法是什么。模板图像示例：以下是摄像头中显示的标志示例。如果这是我想要识别的图像，该怎么用？在更新matchTemplate中的代码flags=["Cambodia.jpg","Laos.jpg","
  • 【代码模板】可视化 xuanyu22 SOPopencv计算机视觉人工智能
    PillowDocumentdataformat-(H,W,C),RGBdatadtype-np.uint8valuerange-(0,255)fromPILimportImage#Readimagesimg=Image.open("img.png").convert('RGB')#读取RGB图像img=Image.open("img.png").convert('L')#读取灰度图像(H,W)u
  • 图像匹配---（Python） 阳光下的Smiles Python图像处理
    图像匹配---（Python）图像匹配分为以灰度为基础的匹配和以特征为基础的匹配：（1）灰度匹配是基于像素的匹配。灰度匹配通过利用某种相似性度量，如相关函数、协方差函数、差平方和、差绝对值和等测度极值，判定两幅图像中的对应关系。（2）特征匹配则是基于区域的匹配。基于特征的匹配所处理的图像一般包含的特征有颜色特征、纹理特征、形状特征、空间位置特征等1、差分矩阵求和差分矩阵=图像A矩阵数据-图像B矩阵
  • Python和MATLAB及C++信噪比导图(算法模型) 亚图跨际 算法交叉知识Python视频图像修复模数转换信号链噪音频谱计算量化周期性视觉刺激高斯噪声的矩形脉冲心率失常检测算法
    要点视频图像修复模数转换中混合信号链噪音测量频谱计算和量化周期性视觉刺激脑电图高斯噪声的矩形脉冲总谐波失真周期图功率谱密度各种心率失常检测算法胶体悬浮液跟踪检测计算交通监控摄像头图像噪音计算Python信噪比信噪比是科学和工程中使用的一种测量方法，用于比较所需信号水平与背景噪声水平。信噪比定义为信号功率与噪声功率之比，通常以分贝表示。高于1:1（大于0dB）的比率表示信号大于噪声。信噪比是影响处理
  • Python(PyTorch)和MATLAB及Rust和C++结构相似度指数测量导图 亚图跨际 Python交叉知识算法量化检查图像压缩质量低分辨率多光谱峰值信噪比端到端优化图像压缩手术机器人三维实景实时可微分渲染重建三维可视化
    要点量化检查图像压缩质量低分辨率多光谱和高分辨率图像实现超分辨率分析图像质量图像索引/多尺度结构相似度指数和光谱角映射器及视觉信息保真度多种指标峰值信噪比和结构相似度指数测量结构相似性图像分类PNG和JPEG图像相似性近似算法图像压缩，视频压缩、端到端优化图像压缩、神经图像压缩、GPU变速图像压缩手术机器人深度估计算法重建三维可视化推理图像超分辨率算法模型三维实景实时可微分渲染算法MATLAB结构
  • 利用Python+OpenCV实现截图匹配图像，支持自适应缩放、灰度匹配、区域匹配、匹配多个结果 xu-jssy Python自动化脚本pythonopencv开发语言图像处理自动化
    可以直接通过pip获取，无需手动安装其他依赖pipinstallxug示例：importxugxug.find_image_on_screen(,,,)=========================================================================一、依赖安装pipinstallopencv-pythonpipinstallpyautogui二、获
  • 项目中 枚举与注解的结合使用 飞翔的马甲 javaenumannotation
    前言：版本兼容，一直是迭代开发头疼的事，最近新版本加上了支持新题型，如果新创建一份问卷包含了新题型，那旧版本客户端就不支持，如果新创建的问卷不包含新题型，那么新旧客户端都支持。这里面我们通过给问卷类型枚举增加自定义注解的方式完成。顺便巩固下枚举与注解。 一、枚举 1.在创建枚举类的时候，该类已继承java.lang.Enum类，所以自定义枚举类无法继承别的类，但可以实现接口。
  • 【Scala十七】Scala核心十一：下划线_的用法 bit1129 scala
    下划线_在Scala中广泛应用，_的基本含义是作为占位符使用。_在使用时是出问题非常多的地方，本文将不断完善_的使用场景以及所表达的含义   1. 在高阶函数中使用 scala> val list = List(-3,8,7,9) list: List[Int] = List(-3, 8, 7, 9) scala> list.filter(_ > 7) r
  • web缓存基础：术语、http报头和缓存策略 dalan_123 Web
    对于很多人来说，去访问某一个站点，若是该站点能够提供智能化的内容缓存来提高用户体验，那么最终该站点的访问者将络绎不绝。缓存或者对之前的请求临时存储，是http协议实现中最核心的内容分发策略之一。分发路径中的组件均可以缓存内容来加速后续的请求，这是受控于对该内容所声明的缓存策略。接下来将讨web内容缓存策略的基本概念，具体包括如如何选择缓存策略以保证互联网范围内的缓存能够正确处理的您的内容，并谈论下
  • crontab 问题 周凡杨 linuxcrontabunix
      一： 0481-079   Reached   a   symbol   that   is   not   expected.   背景： */5   *   *   *   *  /usr/IBMIHS/rsync.sh 
  • 让tomcat支持2级域名共享session g21121 session
    tomcat默认情况下是不支持2级域名共享session的，所有有些情况下登陆后从主域名跳转到子域名会发生链接session不相同的情况，但是只需修改几处配置就可以了。 打开tomcat下conf下context.xml文件 找到Context标签,修改为如下内容 如果你的域名是www.test.com <Context sessionCookiePath="/path&q
  • web报表工具FineReport常用函数的用法总结（数学和三角函数） 老A不折腾 Webfinereport总结
      ABS ABS(number):返回指定数字的绝对值。绝对值是指没有正负符号的数值。 Number:需要求出绝对值的任意实数。 示例: ABS(-1.5)等于1.5。 ABS(0)等于0。 ABS(2.5)等于2.5。   ACOS ACOS(number):返回指定数值的反余弦值。反余弦值为一个角度，返回角度以弧度形式表示。 Number:需要返回角
  • linux 启动java进程 sh文件 墙头上一根草 linuxshelljar
    #!/bin/bash #初始化服务器的进程PId变量 user_pid=0; robot_pid=0; loadlort_pid=0; gateway_pid=0; ######### #检查相关服务器是否启动成功 #说明： #使用JDK自带的JPS命令及grep命令组合，准确查找pid #jps 加 l 参数，表示显示java的完整包路径 #使用awk，分割出pid
  • 我的spring学习笔记5-如何使用ApplicationContext替换BeanFactory aijuans Spring 3 系列
    如何使用ApplicationContext替换BeanFactory？ package onlyfun.caterpillar.device; import org.springframework.beans.factory.BeanFactory; import org.springframework.beans.factory.xml.XmlBeanFactory; import
  • Linux 内存使用方法详细解析 annan211 linux内存Linux内存解析
    来源 http://blog.jobbole.com/45748/ 我是一名程序员，那么我在这里以一个程序员的角度来讲解Linux内存的使用。 一提到内存管理，我们头脑中闪出的两个概念，就是虚拟内存，与物理内存。这两个概念主要来自于linux内核的支持。 Linux在内存管理上份为两级，一级是线性区，类似于00c73000-00c88000，对应于虚拟内存，它实际上不占用
  • 数据库的单表查询常用命令及使用方法(-) 百合不是茶 oracle函数单表查询
        创建数据库;       --建表 create table bloguser(username varchar2(20),userage number(10),usersex char(2));       创建bloguser表,里面有三个字段     &nbs
  • 多线程基础知识 bijian1013 java多线程threadjava多线程
    一．进程和线程 进程就是一个在内存中独立运行的程序，有自己的地址空间。如正在运行的写字板程序就是一个进程。 “多任务”：指操作系统能同时运行多个进程（程序）。如WINDOWS系统可以同时运行写字板程序、画图程序、WORD、Eclipse等。 线程：是进程内部单一的一个顺序控制流。 线程和进程 a.       每个进程都有独立的
  • fastjson简单使用实例 bijian1013 fastjson
    一.简介         阿里巴巴fastjson是一个Java语言编写的高性能功能完善的JSON库。它采用一种“假定有序快速匹配”的算法，把JSON Parse的性能提升到极致，是目前Java语言中最快的JSON库；包括“序列化”和“反序列化”两部分，它具备如下特征：     
  • 【RPC框架Burlap】Spring集成Burlap bit1129 spring
    Burlap和Hessian同属于codehaus的RPC调用框架，但是Burlap已经几年不更新，所以Spring在4.0里已经将Burlap的支持置为Deprecated,所以在选择RPC框架时，不应该考虑Burlap了。 这篇文章还是记录下Burlap的用法吧，主要是复制粘贴了Hessian与Spring集成一文，【RPC框架Hessian四】Hessian与Spring集成  
  • 【Mahout一】基于Mahout 命令参数含义 bit1129 Mahout
    1. mahout seqdirectory   $ mahout seqdirectory --input (-i) input Path to job input directory(原始文本文件). --output (-o) output The directory pathna
  • linux使用flock文件锁解决脚本重复执行问题 ronin47 linux lock　重复执行
    linux的crontab命令，可以定时执行操作，最小周期是每分钟执行一次。关于crontab实现每秒执行可参考我之前的文章《linux crontab 实现每秒执行》现在有个问题，如果设定了任务每分钟执行一次，但有可能一分钟内任务并没有执行完成，这时系统会再执行任务。导致两个相同的任务在执行。 例如： <? //  test .php
  • java-74-数组中有一个数字出现的次数超过了数组长度的一半，找出这个数字 bylijinnan java
    public class OcuppyMoreThanHalf { /** * Q74 数组中有一个数字出现的次数超过了数组长度的一半，找出这个数字 * two solutions: * 1.O(n) * see <beauty of coding>--每次删除两个不同的数字，不改变数组的特性 * 2.O(nlogn) * 排序。中间
  • linux 系统相关命令 candiio linux
    系统参数 cat /proc/cpuinfo  cpu相关参数 cat /proc/meminfo 内存相关参数 cat /proc/loadavg 负载情况 性能参数 1）top M：按内存使用排序 P：按CPU占用排序 1：显示各CPU的使用情况 k：kill进程 o：更多排序规则 回车：刷新数据 2）ulimit ulimit -a：显示本用户的系统限制参
  • [经营与资产]保持独立性和稳定性对于软件开发的重要意义 comsci 软件开发
         一个软件的架构从诞生到成熟，中间要经过很多次的修正和改造       如果在这个过程中，外界的其它行业的资本不断的介入这种软件架构的升级过程中           那么软件开发者原有的设计思想和开发路线
  • 在CentOS5.5上编译OpenJDK6 Cwind linuxOpenJDK
    几番周折终于在自己的CentOS5.5上编译成功了OpenJDK6，将编译过程和遇到的问题作一简要记录，备查。 0. OpenJDK介绍 OpenJDK是Sun（现Oracle）公司发布的基于GPL许可的Java平台的实现。其优点： 1、它的核心代码与同时期Sun（-> Oracle）的产品版基本上是一样的，血统纯正，不用担心性能问题，也基本上没什么兼容性问题；（代码上最主要的差异是
  • java乱码问题 dashuaifu java乱码问题js中文乱码
    swfupload上传文件参数值为中文传递到后台接收中文乱码     在js中用setPostParams（{"tag" : encodeURI( document.getElementByIdx_x("filetag").value，"utf-8")}）; 然后在servlet中String t
  • cygwin很多命令显示command not found的解决办法 dcj3sjt126com cygwin
    cygwin很多命令显示command not found的解决办法   修改cygwin.BAT文件如下 @echo off D: set CYGWIN=tty notitle glob set PATH=%PATH%;d:\cygwin\bin;d:\cygwin\sbin;d:\cygwin\usr\bin;d:\cygwin\usr\sbin;d:\cygwin\us
  • [介绍]从 Yii 1.1 升级 dcj3sjt126com PHPyii2
    2.0 版框架是完全重写的，在 1.1 和 2.0 两个版本之间存在相当多差异。因此从 1.1 版升级并不像小版本间的跨越那么简单，通过本指南你将会了解两个版本间主要的不同之处。 如果你之前没有用过 Yii 1.1，可以跳过本章，直接从"入门篇"开始读起。 请注意，Yii 2.0 引入了很多本章并没有涉及到的新功能。强烈建议你通读整部权威指南来了解所有新特性。这样有可能会发
  • Linux SSH免登录配置总结 eksliang ssh-keygenLinux SSH免登录认证Linux SSH互信
    转载请出自出处：http://eksliang.iteye.com/blog/2187265 一、原理      我们使用ssh-keygen在ServerA上生成私钥跟公钥，将生成的公钥拷贝到远程机器ServerB上后,就可以使用ssh命令无需密码登录到另外一台机器ServerB上。      生成公钥与私钥有两种加密方式，第一种是
  • 手势滑动销毁Activity gundumw100 android
    老是效仿ios，做android的真悲催！ 有需求：需要手势滑动销毁一个Activity 怎么办尼？自己写？ 不用~，网上先问一下百度。 结果： http://blog.csdn.net/xiaanming/article/details/20934541 首先将你需要的Activity继承SwipeBackActivity，它会在你的布局根目录新增一层SwipeBackLay
  • JavaScript变换表格边框颜色 ini JavaScripthtmlWebhtml5css
    效果查看：http://hovertree.com/texiao/js/2.htm代码如下，保存到HTML文件也可以查看效果： <html> <head> <meta charset="utf-8"> <title>表格边框变换颜色代码-何问起</title> </head> <body&
  • Kafka Rest : Confluent kane_xie kafkaRESTconfluent
    最近拿到一个kafka rest的需求，但kafka暂时还没有提供rest api（应该是有在开发中，毕竟rest这么火），上网搜了一下，找到一个Confluent Platform，本文简单介绍一下安装。 这里插一句，给大家推荐一个九尾搜索，原名叫谷粉SOSO，不想fanqiang谷歌的可以用这个。以前在外企用谷歌用习惯了，出来之后用度娘搜技术问题，那匹配度简直感人。 环境声明：Ubu
  • Calender不是单例 men4661273 单例Calender
             在我们使用Calender的时候，使用过Calendar.getInstance()来获取一个日期类的对象，这种方式跟单例的获取方式一样，那么它到底是不是单例呢，如果是单例的话，一个对象修改内容之后，另外一个线程中的数据不久乱套了吗？从试验以及源码中可以得出，Calendar不是单例。 测试： Calendar c1 =
  • 线程内存和主内存之间联系 qifeifei java thread
    1， java多线程共享主内存中变量的时候，一共会经过几个阶段，    lock:将主内存中的变量锁定，为一个线程所独占。   unclock:将lock加的锁定解除，此时其它的线程可以有机会访问此变量。   read:将主内存中的变量值读到工作内存当中。   load:将read读取的值保存到工作内存中的变量副本中。  
  • schedule和scheduleAtFixedRate tangqi609567707 javatimerschedule
    原文地址：http://blog.csdn.net/weidan1121/article/details/527307 import java.util.Timer;import java.util.TimerTask;import java.util.Date; /** * @author vincent */public class TimerTest {  
  • erlang 部署 wudixiaotie erlang
    1.如果在启动节点的时候报这个错 ： {"init terminating in do_boot",{'cannot load',elf_format,get_files}} 则需要在reltool.config中加入 {app, hipe, [{incl_cond, exclude}]},     2.当generate时，遇到： ERROR
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他