通过前面的学习，我们已经能够正常训练各种数据了。设置好solver.prototxt后，我们可以把训练好的模型保存起来，如lenet_iter_10000.caffemodel。训练多少次就自动保存一下，这个是通过snapshot进行设置的，保存文件的路径及文件名前缀是由snapshot_prefix来设定的。这个文件里面存放的就是各层的参数，即net.params，里面没有数据(net.blob

Fine-tuning一个预训练的网络用作风格识别在这个例子中，我们将探索一种在实际生活中特别有用方法：使用一个预训练的模型并且在自己的数据上Fine-tune参数Fine-tune的好处就不说了，大家自己查找。下面讲一讲Fine-tune的步骤。首先我们要准备数据，包括如下几步（1）：使用脚本获取预训练的模型（2）：下载用于演示的Flickr样式的子集（3）：将下载的数据转化为caffe可以使用

具体的操作为什么这样做，可参照：1.Caffe学习之自定义创建新的Layer层2.如何在caffe中自定义网络层ROIpooling层说起ROIAlignment，就要说道faster-rcnn的ROIpooling

1、数据准备之前的博客中已经对mnist数据集进行过介绍，这里我们直接将保存好的图片拿过来处理。数据分成了训练集（60000张共10类）和测试集（共10000张10类），将每个类别放在一个单独的文件夹里。并且将所有的图片，都生成了txt列表清单（train.txt和test.txt)。为节约时间，这里直接下载denny分享的数据集：http://pan.baidu.com/s/1pLMV4Kz在c

上篇已完成虚拟机下Ubuntu，CPU版的Caffe的安装与编译；在此基础上运行手写数字字体的例程。1.mnist数据集下载；在caffe/data/mnist目录下有get_mnist.sh脚本文件，在终端运行后会完成如下文件的下载：将终端定位到Caffe根目录cd~/caffe下载MNIST数据库并解压缩，生成四个文件./data/mnist/get_mnist.sht10k-images-i

1、生成log文件1.1新建一个.sh文件放在caffe目录下，开始训练#!/usr/bin/envshset-eTOOLS=./build/tools$TOOLS/caffetrain--solver=./models/VGGNet/VOC0712/SSD_300x300/solver.prototxt1.2sudo运行生成logsudochmodu+xfan_train.sh./fan_tra

编写caffe网络模型文件的时，有layer与layers两种方式，其不同之处主要在于网络类型type的定义方式不同，例如定义type为hdf5数据类型时，其定义方式如下。1.使用layerlayer{name:"data"type:"HDF5Data"top:"data"top:"label"hdf5_data_param{source:"examples/hdf5_classification

写在前面：小白入门深度学习框架caffe，其间遭遇各种Checkfailed，特做整理汇总。问题大多都可以在网上找到原因，没有的则通过阅读源码解决（建议遇到问题找到源码，大多有提示）。1.Checkfailed:net_->num_intputs()==1Networkshouldhaveexactlyoneintput原因：使用train_val.prototxt而未使用deploy.deplo

配置：win7_64bit+VS2013准备工作：下载微软官方提供的caffe安装包，下载地址：https://github.com/Microsoft/caffe，下载完毕解压到目标文件夹即可，笔者放置在E盘根目录中。一、修改配置文件打开E:\caffe-master\caffe-master\windows，找到CommonSettings.props.example文件复制（原文件作为备份）

最初一直使用window7+tensorflow-gpu版本，用anaconda一键配置，傻瓜式的方法，但出问题了调试困难。因学习需要，安装好了Ubuntu+caffe，在linux下进行训练不仅可以增加对软件原理的理解，也有助于提高码农等级。caffe训练mnist记录（详细内容：http://blog.csdn.net/susu79/article/details/55188717）1.获取数

Eltwise层的操作有三个：product（点乘），sum（相加减）和max（取大值），其中sum是默认操作。假设输入bottom为A和B，如果要实现element_wise的A+B，即A和B的对应元素相加，prototxt文件如下：layer{name:"eltwise_layer"bottom:"A"bottom:"B"top:"diff"type:"Eltwise"eltwise_para

寻找最优解策略往往lossfunction是非凸的，没有解析解，我们需要通过优化方法来求解。caffe提供了六种优化算法来求解最优参数，在solver配置文件中，通过设置type类型来选择。StochasticGradientDescent(type:“SGD”),AdaDelta(type:“AdaDelta”),AdaptiveGradient(type:“AdaGrad”),Adam(typ

caffe相关代码注释：https://github.com/QueenJuliaZxx/Caffe1、求解器Solver目的：让损失函数达到全局最小；特性：负责记录优化过程，创建用于学习的训练网络和用于评估学习效果的测试网络；调用Forward-->调用Backword-->更新权值，反复迭代优化模型；周期性地评估测试网络；在优化过程中为模型、求解器状态打快照；为了让权值从初始化状态向更好的模型

运行caffe例程前，详见原始数据转换为LMDB格式，训练网络时需要由数据读取层（DataLayer）不断从LMDB读取数据，送入后续卷积，下采样等层。1、数据读取层DataLayer：DataLayer是Layer的派生类，可以读取LMDB、LEVELDB,还可以从原始图像直接读取ImageDataLayer；（1）数据结构描述（2）数据读取层实现声明：include/caffe/data_la

Caffe数据结构一、基本概念二、Blob：Caffe的基本存储单元blob：四维数组，维度从低到高（width_，height_,channels_,num_）；用于存储和交换数据；存储数据或者权值（data）和权值增量（diff）；提供统一的存储器接口，持有一批图像或其他数据、权值、权值更新值；进行网络计算时，每层的输入、输出都需要通过Blob对象缓冲。（1）基本用法可自动同步CPU/GPU上

训练图片1075张，测试图片360参数设置net: "./image_train_val.prototxt"test_iter: 271test_interval: 100base_lr: 0.01display: 20max_iter: 25000lr_policy: "step"gamma: 0.1momentum: 0.9weight_decay: 0.0005power: 0.75step

1.安装软件扩展源sudoyum-yinstallepel-release2.环境准备更新yum以及其它软件包:sudoyumupdate安装gcc和g++:sudoyuminstallgccgcc-c++安装git,vim,pythondev和pip:sudoyuminstallgitvimpython-develpython-pip3.安装Caffe依赖安装所需的库sudoyuminstall

Caffe代码梳理1、caffe目录结构2、caffe阅读路线：src/caffe/proto/caffe.proto了解基本数据结构内存对象和磁盘文件的一一映射，主要由ProtoBuffer工具完成；include头文件理解整个框架，从基类向派生类顺藤摸瓜；.cpp和.cu文件caffe框架不需要大改，只需要按需求派生出新的类实现即可；编写各类工具集成到caffe内部如tools下的工具；注：快

#加载必要的库importnumpyasnpimportmatplotlib.pyplotasplt#将由matplotlib得到的图显示在页面内而不是弹出一个窗口%matplotlibinlineimportsys,os,caffe#设置当前目录caffe_root='/home/keysen/caffe/'sys.path.insert(0,caffe_root+'python')os.chd

1、Eltwise层操作有三个：product（点乘），sum（相加减）和max（取大值），其中sum是默认操作。假设输入（bottom）为A和B，如果要实现element_wise的A+B，即A和B的对应元素相加，prototxt文件如下：layer{name:"eltwise_layer"type:"Eltwise"bottom:"A"bottom:"B"top:"diff"eltwise_p

about本blog参考了masa_fish的Ubuntu14.04上安装CUDA7.5超详细教程denny的Caffe学习系列(1)：安装配置ubuntu14.04+cuda7.5+caffe+cudnndongbeidami

Caffe的迁移和部署1、从开发测试到生产部署：离线训练、在线识别开发：离线训练阶段数据专家选择训练数据，算法专家设计模型参数，开发专家优化和调试训练过程，得到满足发布的模型，在caffe中表现为*.caffemodel文件；部署：在线识别阶段利用发布模型到线上或者某个嵌入式平台生产机器，接入线上其他服务（存储、数据库），获取在线数据并用上述模型处理，将结果返回客户端。并且将异常结果反馈给开发阶段

Caffe依赖包解析1、ProtoBuffer:从.prototxt文件读取到内存【.proto记录了模型训练所需要的超参数（eg：solver.prototxt）】caffe中把它当做权值和模型的载体（类似于txt、bin、图形化等）；统一的参数方案都建立在这个参数描述文件.proto中，用.protoc编译即可，便于模块集成；跨语言（c++、java、python）安装路径不是系统默认路径，安

调整各参数激活函数lr修改cifar10中的lr-policy调整lr大小dropoutdropout类型缺点在cifar实例中加入dropoutbatchnormalizationcifar10中的BatchNormdataaugmentation常见方法调整各参数这里用cifar10数据集为例激活函数Sigmoid、ReLU、TanH、AbsoluteValue、Power、BNLL看一下ci

MNIST，一个经典的手写数字的图像数字库，由纽约大学的YannLeCun教授整理，包含60000个训练样本和10000个测试样本，图片大小为28*28，在Caffe上配置的第一个案例。用的网络模型是LeNet，它是公认在数字分类任务上效果很好的网络。实验中在原始LeNet基础上做了一点改动，对于神经元的激活，用ReLU替换了sigmoid。参考文章：http://blog.csdn.net/ly

继上篇http://blog.csdn.net/qq_15947787/article/details/78441232使用googlenet训练好caffemodel之后，需要在opencv中调用训练结果，恰好opencv3.3提供了dnn模块。1.OpenCV3.3DNN模块介绍在OpenCV3.3版本发布中把DNN模块从扩展模块移到了OpenCV正式发布模块中，当前DNN模块最早来自Tiny

学习caffe的目的，不是简单的做几个练习，最终还是要用到自己的实际项目或科研中。因此，本文介绍一下，从自己的原始图片到lmdb数据，再到训练和测试模型的整个流程。一、准备数据有条件的同学，可以去imagenet的官网http://www.image-net.org/download-images，下载imagenet图片来训练。但是我没有下载，一个原因是注册账号的时候，验证码始终出不来（听说是g

除了数据层、视觉层和激活层外，还有一些常用层，包括：softmax_losslayer,InnerProductlayer,reshapelayer和dropoutlayer。整理如下：1、softmax_losssoftmax-loss层和softmax层的计算大致相同。不过softmax是一个分类器，计算的是类别的概率，是逻辑回归（LogisticsRegression）的一种推广。逻辑回归只

作为深度学习界的“helloworld！”，学习起来真没那么容易。接触深度学习，第一个接触的就是mnist。但是初次接触就只跑了三个脚本get_mnist.shcreate_mnist.shtrain_lenet.sh然后就结束了，对此我蒙逼了许久。因为对于caffe的整体框架不熟悉，对CNN不深入，因此感觉举步维艰。经过1个多月的沉淀终于能完整的走一遍MNIST。对于初学者，深度学习分为三步：1

我在上一篇博客中（caffe学习（五）：cifar-10数据集训练及测试（Ubuntu）），最后测试训练好的模型时是修改caffe自带的classify.py来进行测试的，如果每次都修改未免太麻烦了，所以我就上网找了相关的资料

简介网站链接：CIFAR-10CIFAR-10数据集包括由10个类别的事物，每个事物各有6000张彩色图像，每张图片的大小是32*32。整个数据集被分成了5个训练集和1个测试集，各有10000张图片，即50000张图片用于训练，10000张图片用于测试（交叉验证）。下载数据注意：默认用$CAFFE_ROOT表示caffe的根目录。输入指令：cd$CAFFE_ROOT./data/cifar10/g

以前我在Windows10下搭建了caffe环境（打开链接），但是caffe本身并不是Windows下开发的，而是在Linux下开发的。虽然大神将caffe移植到了Windows，但与之伴随有很多兼容性的问题，所以还是决定到Ubuntu下进行安装了。严格意义上说，这篇文章不是教程，只是我个人安装caffe环境的经历总结。caffe的安装是出了名的麻烦，会遇到很多问题，甚至都有人收费来给人安装caf

准备数据集http://yann.lecun.com/exdb/mnist/提供了训练集与测试集数据的下载。但是caffe并不是直接处理这些数据，而是要转换成lmdb或leveldb格式进行读取。如何转换可以再去查阅相关资料，为简化步骤，直接给出下载地址：链接：http://pan.baidu.com/s/1nv3a5LJ密码：jvlt数据集格式是leveldb。进行训练在正式开始训练之前，要先配

搭建caffe的开发环境可以说是很折磨人的一件事，经常会碰到这种那种的错误，前前后后折腾几天才能搞定。我在自己的电脑上搭建caffe的环境前后花了2天，中间也碰到了挺多问题。不过网上也有挺多相关的博客等的讲解，稍微花些时间，也不是很困难，最后还是可以搞定的。我完全是按照这篇博客的步骤搭建的，讲的很详细：Windows10+GTX950m+VS2013环境下编译Caffe工程目录：编译后的结果：可以

准备Caffe环境【如果是其他环境下的配置就请绕道喽，我也没有专门去试一试各个环境下的配置，请谅解~】官网http://caffe.berkeleyvision.org/installation.html；首先在这里介绍一下我的硬件环境：Ubuntu14.04---------[win10远程连接ssh（putty）+VNC]：http://www.ubuntu.com/download/desk

caffe学习入门：pycaffe的使用2016-03-1919:4610373人阅读评论(1)收藏举报分类：caffe（14）作者同类文章X深度学习入门（25）作者同类文章X版权声明：本文为博主原创文章

caffe学习入门：pycaffe的使用2016-03-1919:4610373人阅读评论(1)收藏举报分类：caffe（14）作者同类文章X深度学习入门（25）作者同类文章X版权声明：本文为博主原创文章

本文简单介绍一下caffe的protobuffer的机制ProtocolBuffer是google开源的一种数据交换的方法，类似于xml等。在caffe里扮演着解析配置文件，传递消息和参数的作用。(便于规范序列化以及反序列化)具体作用，以solver.prototxt为例，可以概括为一句话：运行时，能够将solver.prototxt中的配置参数按照caffe.proto的协议解析并加载的到内存的

上一节安装好Ubuntu后，通过运行mnist熟悉Caffe的基本使用。一共分别以下几个步骤：一、下载mnist数据集mnist数据集可以在caffe自带的源码get_mnist.sh脚本下载。命令为：$sudocdcaffe$sudocddata/mnist#这里的./get_mnist.sh应该就是执行这个文件夹下脚本的意思，虽然我也没太弄懂他们的写法规则$sudo./get_mnist.sh

2016-10-23DeepLearning►CaffeCaffe学习系列——6使用Faster-RCNN进行目标检测Contents1.配置与运行Demo1.1.1.配置、编译与安装环境1.2.2.运行

2016-10-23DeepLearning►CaffeCaffe学习系列——6使用Faster-RCNN进行目标检测Contents1.配置与运行Demo1.1.1.配置、编译与安装环境1.2.2.运行

1.深度学习DL：1.1、有监督学习、无监督学习、过拟合、训练样本、泛化、训练集、验证集、测试集这些和深度学习有关的知识需要实现明白，这里有一个深度学习的资料你们可以去下载；http://download.csdn.net/detail/julialove102123/98403291.2、相关公司及牛人和技术：Google------->GeoffreyHinton(Googlenet、Dist

在上次搭建好Caffe环境的基础上我们进行第一次实验，将Caffe自带的一个Mnistexample跑一跑，对其在处理图像方面的能力有个初步了解。如果还没有搭建好环境的朋友可以看看我的上一篇文章：http://blog.csdn.net/AkashaicRecorder/article/details/71016942MNIST简介MNIST手写数字数据库是另外一个更大的手写体数据库NIST的子集

本篇主要参考了jiarenyf的Caffe学习：使用pycaffe读取caffemodel参数但他博客中的只将数据写入了txt，由于自己工程需要使用.bat格式各层的网络参数，因此对其做了一些追加。

转载请注明作者和出处：http://blog.csdn.net/c406495762Python版本：Python2.7运行平台：Ubuntu14.04一、前言在之前的笔记中，已经生成了训练好的mnist.cafffemodel，接下来我们就可以利用这个model做预测了。在这之前，我们还需要一个文件：deploy.prototxt。那么，就让我们从deploy.prototxt开始说起。二、de

转载请注明作者和出处：http://blog.csdn.net/c406495762Python版本：Python2.7运行平台：Ubuntu14.04一、前言深度学习的一个简单实例就是mnist手写数字识别，只要这个例子弄明白，其它的内容就可以举一反三了。之前的内容如有遗忘，可以进行回顾。使用pycaffe生成train.protxt、test.prototxt使用pycaffe生成solver

转载请注明作者和出处：http://blog.csdn.net/c406495762Python版本：Python2.7运行平台：Ubuntu14.04上几篇笔记记录了如何将图片数据转换成db(leveldb/lmdb)文件，计算图片数据的均值，train.prototxt和test.prototxt文件的编写。本篇笔记主要记录如何生成sovler文件，solver文件是训练的时候，需要用到的pr

转载请注明作者和出处：http://blog.csdn.net/c406495762Python版本：Python2.7运行平台：Ubuntu14.04一、前言了解到上一篇笔记的内容，就可以尝试自己编写python程序生成prototxt文件了，当然也可以直接创建文件进行编写，不过显然，使用python生成这个配置文件更为简洁。之前已说过cifar10是使用cifar10_quick_solver

caffe学习入门：pycaffe的使用caffe的官方完美的支持Python语言的兼容，提供了pycaffe的接口。

在ubuntu中配置好环境后，运行手写体数字识别例程时，通过执行脚本./examples/mnist/create_mnist.sh把下载到的原始数据集转换为LMDB时报错了：然而我目前还不知道这个错误怎么解决？这个错误已经查出来了，因为我是在bashforwindow中运行的，因为是在windows中挂载的ubuntu所以导致文件格式不匹配。最终选择继续我的双系统之路。安装双系统的过程可谓是走过