Caffe学习笔记4图像特征进行可视化本文为原创作品，未经本人同意，禁止转载，禁止用于商业用途！

Caffe学习笔记1-安装以及代码结构ByYuFeiGan2014-12-09更新日期:2014-12-09安装按照官网教程安装，我在OSX10.9和Ubuntu14.04上面都安装成功了。

之前因为有caffe的项目要放到服务器上面,但是其实不需要在服务器上面重新安装caffe，所以写了个makefile.这里改写了个简单的，比较容易读的，只运行caffe.cpp，如果由其他的，可以按照makefile的规则添加就好。首先，还是要说一下关于caffe的依赖，参考之前的两篇博客：http://blog.csdn.net/thystar/article/details/51179064和

在之前的文章里，写过一个关于微调的博客，但是今天上去发现这部分已经更新了http://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/02-fine-tuning.ipynb，因此补一篇最新的，关于微调，前面的文章由讲，参考http://blog.csdn.net/thystar/article/details/5067553

最近开始研究多任务学习（multi-tasklearning，MTL），先分享给大家：本文主要讲述数据集的建立，HDF5Data类型用于处理多标签数据，在网络中定义为：layer{name:"data"type:"HDF5Data"top:"data"top:"label"include{phase:TRAIN}hdf5_data_param{source:"list_train.txt"batc

1.CUDA配置与Tensorflow，Keras等深度学习框架一样的配置方法，一次配置可以重用，其他基础软件和依赖项亦可参考：Caffe学习笔记2--Ubuntu14.0464bit安装Caffe（GPU

1数据准备首先在caffe根目录下建立一个文件夹myfile，用于存放数据文件和后面的caffe模型相关文件。然后在myfile文件夹下建立build_lmdb和datatest两个文件夹，其中build_lmdb文件夹用于存放生成的lmdb文件，datatest文件夹存放图片数据。在datatest下主要有2个文件夹和2个.sh文件和2个.txt文件，其中train文件夹中存放待训练的图片，va

之前写的学习笔记1用两种方法进行预测，今天发现有点不对。下面进行分析总结：先来看看Classifier的源代码#!/usr/bin/envpython"""ClassifierisanimageclassifierspecializationofNet."""importnumpyasnpimportcaffeclassClassifier(caffe.Net):"""Classifierexte

step1:cd/usr/lib/x86_64-linux-gnusudoln-slibhdf5_serial.so.8.0.2libhdf5.sosudoln-slibhdf5_serial_hl.so.8.0.2libhdf5_hl.sostep2：changeMakefile.config//打开Makefile.config将下面的INCLUDE_DIRS:=$(PYTHON_INCLUD

在配置好caffe环境之后无法在anaconda的spyder中直接导入caffe的库，需现先将caffe的路径导入进去。操作如下:importsyscaffe_home='/home/kelly/DL/caffe-master/'sys.path.insert(0,caffe_home+'python')importcaffe

直接使用Caffe中的python脚本绘制网络结构的方法请参照链接：http://www.cnblogs.com/denny402/p/5106764.html。因为本人在学习caffe的时候希望在anaconda的环境下区编辑，所以这里介绍如何在spyder中编写python程序来绘制网络结构图。程序如下：#将caffe包含到路径中importsyscaffe_home='/home/kelly

优化算法的选择参考：1、http://blog.csdn.net/u014595019/article/details/52989301caffe中的优化算法有以下六中可选项，他们分别是SGDAdaDeltaAdaGradAdamNesterovRMSProp1、SGDSGD全名stochasticgradientdescent，即随机梯度下降。不过这里的SGD其实跟MBGD(minibatchg

目录：安装与配置Tutorial学习PyCaffe学习buildtools学习其他安装与配置Ubuntu14.04安装Caffe（仅CPU）Ubuntu14.04安装CudaUbuntu14.04安装Caffe（GPU）Ubuntu14.04CuDNN安装（Caffe+Cuda7.0下）Tutorial学习Caffe学习：Blobs,Layers,andNetsCaffe学习：Forwardand

导言今天重新编译了OpenPose的Caffe修改版，准备用于网络的训练，在正式训练网络之前，想先通过实例的学习来对网络训练有大致的认识转化数据为LMDB格式CaffeforPython输入的预处理一、为何需要对输入减去均值？https://blog.csdn.net/GoodShot/article/details/80373372https://blog.csdn.net/dcxhun3/ar

本文是基于薛开宇《学习笔记3：基于自己的数据训练和测试“caffeNet”》基础上，从头到尾把实验跑了一遍~对该文中不清楚的地方做了更正和说明。主要工作如下：1、下载图片建立数据库2、将图片转化为256*256的lmdb格式3、计算图像均值4、定义网络修改部分参数1、下载图片建立数据库在caffe-master/data下新建一个属于自己的数据库命名为babyjia，并在该文件夹下创建train和

详细的安装配置过程见以前博客：Caffe学习笔记（一）——Windows下caffe安装与配置1.CUDA的安装问题CUDA的安装过程可以参考CUDA7.5安装及配置(WIN764英伟达G卡VS2012

caffe的底层是c++写的，如果要进行数据可视化，需要借助其它的库或者是接口，如opencv,python或者是matlab，python的环境需要自行配置，因为我使用的都是网管同志已经配置好的深度学习服务器，所以不用管底层的一些配置问题，如果需要自行配置自己的机器，请参照：http://www.cnblogs.com/denny402/p/5088399.html当前目录为caffe的根目录，

这是caffe文档中NotebookExamples的倒数第二个例子，链接地址http://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/detection.ipynb这个例子用R-CNN做目标检测。R-CNN是一个先进的目标检测模型，它通过微调caffe模型提供分类区域。对于R-CNN系统和模型的详细介绍，参考Richfe

1.过拟合原因：1）样本数量太少，抽样方法错误，抽样时没有足够正确考虑业务场景或业务特点，等等导致抽出的样本数据不能有效足够代表业务逻辑或业务场景2）样本里的噪音数据干扰过大，大到模型过分记住了噪音特征，反而忽略了真实的输入输出间的关系3）就是建模时的“逻辑假设”到了模型应用时已经不能成立了，模型没有通用性，选择参数更少的网络4）没有用dropout5）weight_decay:默认0.005，可

Caffe学习笔记之CIFFA-10背景知识今天小编就亲身实践利用前几天在Ubuntu14.04刚装好的caffe进行CIFFA-10的训练。

笔记（二）：用Caffe训练好的模型进行分类任务的测试参考：Caffe学习系列(20)：用训练好的caffemodel来进行分类用Caffe搭建自己的网络，并用图片进行测试开发caffe的贾大牛团队，利用imagenet图片和caffenet模型训练好了一个caffemodel，该模型可以用来做分类任务。1.准备模型和数据1）caffemodel下载：bvlc_reference_caffenet

本人初学深度学习——caffe框架，想用几个实例来入门，cifar10为其中之一，在参考了博主汽车数据技术前瞻的帖子：http://blog.csdn.net/lance313/article/details/53964874之后，将学习内容进行了总结，总结的内容基本和我参考的帖子差不多，主要目的是加深印象并方便以后查阅。##cifar数据集的介绍##Cifar-10是由Hinton的两个大弟子A

转自http://blog.csdn.net/u011762313/article/details/4730600目录：安装与配置Tutorial学习PyCaffe学习buildtools学习其他安装与配置Ubuntu14.04安装Caffe（仅CPU）Ubuntu14.04安装CudaUbuntu14.04安装Caffe（GPU）Ubuntu14.04CuDNN安装（Caffe+Cuda7.0下

【准备工作】前面几节介绍了win10系统下caffe-master的配置方法以及cifar10数据集的训练方法，并简要介绍了Matlab接口如何配置。想要更为形象的了解caffe框架下诸多网络模型的具体内涵，需要借助python接口的caffe.draw绘制网络图，因此，本节介绍caffe的Python接口配置方法。安装python使用anaconda版本，anaconda里面集成了很多关于pyt

【Faster-RCNN算法】FasterR-CNN（其中R对应于“Region(区域)”）是基于深度学习R-CNN系列目标检测最好的方法。使用VOC2007+2012训练集训练，VOC2007测试集测试mAP达到73.2%，目标检测的速度可以达到每秒5帧。技术上将RPN网络和FastR-CNN网络结合到了一起，将RPN获取到的proposal直接连到ROIpooling层，是一个CNN网络实现端

【案例介绍】LeNet网络模型是一个用来识别手写数字的最经典的卷积神经网络，是YannLeCun在1998年设计并提出的，是早期卷积神经网络中最有代表性的实验系统之一，其论文是CNN领域第一篇经典之作。本篇博客详细介绍基于Matlab、Python训练lenet手写模型的案例，作为前几次caffe深度学习框架的阶段性总结。【数据准备】数据下载地址：http://yann.lecun.com/exd

第一部分：用matlab接口操作网络，包括网络生成，数据读取及修改，存储caffeemodel,返回layer的类型1.设置网络：model='./models/bvlc_reference_caffenet/deploy.prototxt';weights='./models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel';

ubuntu14.04.1下caffe的安装（cpumode）准备工作，安装各种依赖和OpenCV，代码如下：sudoapt-getinstalllibprotobuf-devlibleveldb-devlibsnappy-devlibopencv-devlibhdf5-serial-devprotobuf-compilersudoapt-getinstall--no-install-recomm

【前期准备工作】参考上篇帖子：http://write.blog.csdn.net/postedit/539648741.确保模型训练成功，生成模型文件：cifar10_quick_iter_4000.caffemodel及均值文件：mean.binaryproto。注意，此处一定是生成caffemodel格式的模型文件，而非.h5模型文件，否则会导致Matlab运行崩溃。如何生成caffemod

AlexNet输入要求256(图像大小)，均值是256的，减均值后再crop到227(输入图像大小)VGGNet输入要求256(图像大小)，均值是256的，减均值后再crop到224(输入图像大小)Vgg-Net:笔记CNNimprovement：有很多对其提出的CNN结构进行改进的方法。例如：1.Usesmallerreceptivewindowsizeandsmallerstrideofthe

本文主要介绍：Windows下Caffe框架的Matlab接口，即Matlab如何调用Caffe框架中的函数，进行分类、提取特征以及训练。1官网说明官网：http://caffe.berkeleyvision.org/tutorial/interfaces.html2相关说明2.1图像预处理classification.m中，在图像输入CNN网络之前，经过了一个预处理过程：RGB图像转成BGR；B

0、参考文献[1]caffe官网《TrainingLeNetonMNISTwithCaffe》;[2]薛开宇《读书笔记4学习搭建自己的网络MNIST在caffe上进行训练与学习》（[1]的翻译版，同时还有作者的一些注解，很赞）;1、*.sh文件如何执行？①方法一：有sh后缀名的是linux脚本文件，在windows下为了执行这个文件，应该下载git。然后对于sh文件右键，打开方式，选择git-ba

caffe学习笔记2：ForwardandBackward原网页:http://caffe.berkeleyvision.org/tutorial/forward_backward.htmlforward

1.ubantu系统的路径在home下还有一个用户目录（文件目录中不可见），在写文件目录时注意是home/【username】/…2.cd是改变路径的命令，此后的操作都以此路径为准3.cd..返回上一级目录4.pwd查看当前路径5../表示当前目录，这是因为linux的默认搜索目录里没有当前目录，所以如果你在当前目录需要执行程序就要加上路径./，用全路径代替也是可以的。“.”表示当前目录，“./”

1.find`pwd`/examples/images-typef-exececho{}\;>examples/_temp/temp.txt：-type是find命令的一个参数，查找某一类型文档b:块设备文档d:目录c:字符设备文件P：管道文档l:符号链接文档f:普通文档-exec参数后面跟的是command命令，它的终止是以;为结束标志的，所以这句命令后面的分号是不可缺少的，考虑到各个系统中分号

1.find–name*.jpeg|cut–d’/’–f2-3>train.txt一直报错cut：分界符必须是单个字符,目前没有解决，train、val、test均为手工建立2.修改图片大小的语句也有错，应为convert–resize256x256$name$name。Convert其他用法：convertxxx.jpgxxx.png将jpeg转成png文件convert-resize1024x

本文主要介绍：Caffe中一个最基本的深度学习模型AlexNet模型，原论文为：ImageNetClassificationwithDeepConvolutionalNeuralNetworks。转载请注明出处：http://blog.csdn.net/hong__fang/article/details/520802801LeNet-51.1局限性早在1989年，YannLeCun(现纽约大学教

最近学习caffe，稍微做个笔记以便以后查看，首先，介绍几个非常不错的博客，我的笔记很多都是参考这些博客的，非常感谢博主们的分享，真真帮了大忙了1.caffe的安装教程，这个可以参考官网：我主要看得是：caffeforwindows:https://ouxinyu.github.io/Blogs/20140719001.html由于windows下配置比较复杂，csdn上提供了一个可以运行的包：h

.m文件流程（训练或者测试）1.添加路径caffe/matlab使得Matlab可以使用matcaffe，+caffe文件夹下都是matcaffe的.m接口,可用matlab操作caffe网络ifexist('../+caffe','dir')addpath('..');2.设置caffecpu/gpu模式（在测试或者训练之前。.m文件中）ifexist('use_gpu','var')&&use

经过之前的学习能够做到识别'0-9'的手写体数字，但是为了实现更多的分类，应该怎么办呢？首先简单介绍一下LeNet，网络结构包含2个卷积层，2个max池化层，2个全链接层和1个relu层与一个softmax层。Paste_Image.png输入数据体的尺寸为W_1\timesH_1\timesD_14个超参数：滤波器的数量K滤波器的空间尺寸F步长S零填充数量P输出数据体的尺寸为W_2\timesH

接上篇文章，这次进行批量图片处理，在/examles/images文件中有四张图片如下所示接下来另外创建classifiy2.py文件，进行批量图片处理，事实上，这次的处理流程和上篇笔记基本类似，上次是处理一张图片，这次是处理批量图片而已。区别只是选用Python进行图片分类时调用的不是classify文件而是classify2文件，其他操作流程基本不变，具体可参考：学习笔记（十六）：https:

这篇也是手写mnist的python接口的讲解：http://www.cnblogs.com/denny402/p/5684431.htmlCaffe学习笔记(六)：mnist手写数字识别训练实例标签：

一、caffe目录结构：data——用于存放下载的训练数据docs——帮助文档examples——代码样例matlab——MATLAB接口文件python——PYTHON接口文件models——一些配置好的模型参数scripts——一些文档和数据会用到的脚本核心代码：tools——保存的源码是用于生成二进制处理程序的，caffe在训练时实际是直接调用这些二进制文件include——Caffe的实现

一、基本环境安装：1.依赖库安装：基本的依赖库安装：sudoapt-getinstalllibprotobuf-devlibleveldb-devlibsnappy-devlibopencv-devlibhdf5-serial-devprotobuf-compilersudoapt-getinstall--no-install-recommendslibboost-all-devcuda安装：由于

接着上一篇博文：制作自己的数据集在制作好我们自己的LMDB格式的数据集后，我们就可以依照前面mnist的例程来对LeNet模型进行训练啦，有木有很激动(≧▽≦)/（虽然现在对模型而是一片懵懂）简单的说下步骤：从cafferoot/exmples/mnist文件夹中复制过来我需要的solver.prototxt和train_test.prototxt文件，将其重命名为my_solver.protot

最近一直在研究linux下的caffe，记录下自己在学习过程的一些步骤。1、准备数据和训练1、准备数据，在caffe的根目录下依次执行以下2个命令：./data/mnist/get_mnist.sh##获取mnist数据集./examples/mnist/create_mnist.sh##创建lmdb或者而是levedb文件运行上面的2个指令后，在./examples/mnist文件夹下会多出两个

一、参考资料悠望南山-CAFFE学习笔记（二）Caffe_Example之测试mnist二、训练所需要用到的文件1.mnist_test_lmdb（测试数据集，里面包括data.mdb和lock.mdb

转载请注明作者和出处：http://blog.csdn.net/c406495762运行平台：Ubuntu14.04在上篇笔记中，已经记录了如何进行图片数据格式的转换和生成txt列表清单文件。本篇笔记主要记录如何计算图片数据的均值和理解prototxt配置文件中各个层的参数。Caffe主要处理两种形式的数据流：图像和标签在网络上的传输，随着网络的传输，它们转化更高层次的表示，最终以得分或者概率值的

转载请注明作者和出处：http://blog.csdn.net/c406495762运行平台：Ubuntu14.04在上篇笔记中，已经记录了如何进行图片数据格式的转换和生成txt列表清单文件。本篇笔记主要记录如何计算图片数据的均值和理解prototxt配置文件中各个层的参数。Caffe主要处理两种形式的数据流：图像和标签在网络上的传输，随着网络的传输，它们转化更高层次的表示，最终以得分或者概率值的

仍然运用anaconda中的Spyder编译器环境进行曲线的绘制:（1）加载必要的库:#加载必要的库importnumpyasnpimportmatplotlib.pyplotasplt%matplotlibinlineimportsys,os,caffe#设置当前目录caffe_root='D:/caffe/caffe-master/caffe-master/'sys.path.insert(0