Caffe部署中的几个train-test-solver-prototxt-deploy等说明 (一)
Caffe部署中的几个train-test-solver-prototxt-deploy等说明 (一)
转载地址: http://blog.csdn.net/lg1259156776/article/details/52550830
本文只是自己学习一天的总结,如有不对的地方,欢迎指正!
欢迎大家转载,但请标明出处,谢谢!
1、*_train_test.prototxt文件
这是训练与测试网络配置文件
(1)在数据层中 参数include{
phase:TRAIN/TEST
}
TRAIN与TEST不能有“...”否则会报错,还好提示信息里,会提示哪一行出现了问题,如下图:
数字8就代表配置文件的第8行出现了错误
(2)卷积层和全连接层相似:卷积层(Convolution),全连接层(InnerProduct,容易翻译成内积层)相似处有两个【1】:都有两个param{lr_mult:1
decay_mult:1
}
param{lr_mult: 2
decay_mult: 0
}
【2】:convolution_param{}与inner_product_param{}里面的参数相似,甚至相同
(3)平均值文件*_mean.binaryproto要放在transform_param{}里,训练与测试数据集放在data_param{}里
2.*_deploy.prototxt文件
【1】*_deploy.prototxt文件的构造和*_train_test.prototxt文件的构造稍有不同首先没有test网络中的test模块,只有训练模块
【2】数据层的写法和原来也有不同,更加简洁:
input: "data"
input_dim: 1
input_dim: 3
input_dim: 32
input_dim: 32
注意红色部分,那是数据层的名字,没有这个的话,第一卷积层无法找到数据,我一开始没有加这句就报错。下面的四个参数有点类似batch_size(1,3,32,32)里四个参数
【3】卷积层和全连接层中weight_filler{}与bias_filler{}两个参数不用再填写,应为这两个参数的值,由已经训练好的模型*.caffemodel文件提供
【4】输出层的变化(1)没有了test模块测试精度(2)输出层
*_train_test.prototxt文件:
layer{
name: "loss"
type: "SoftmaxWithLoss"#注意此处与下面的不同
bottom: "ip2"
bottom: "label"#注意标签项在下面没有了,因为下面的预测属于哪个标签,因此不能提供标签
top: "loss"
}
*_deploy.prototxt文件:
layer {
name: "prob"
type: "Softmax"
bottom: "ip2"
top: "prob"
}
***注意在两个文件中输出层的类型都发生了变化一个是SoftmaxWithLoss,另一个是Softmax。另外为了方便区分训练与应用输出,训练是输出时是loss,应用时是prob。
3、*_slover.prototxt
net: "test.prototxt"
#训练网络的配置文件
test_iter: 100
#test_iter 指明在测试阶段有多上个前向过程(也就是有多少图片)被执行。
在MNIST例子里,在网络配置文件里已经设置test网络的batch size=100,这里test_iter
设置为100,那在测试阶段共有100*100=10000 图片被处理
test_interval: 500
#每500次训练迭代后,执行一次test
base_lr: 0.01
#学习率初始化为0.01
momentum:0.9
#u=0.9
weight_decay:0.0005
#
lr_policy: "inv"
gamma: 0.0001
power: 0.75
#以上三个参数都和降低学习率有关,详细的学习策略和计算公式见下面
// The learning rate decay policy. The currently implemented learning rate
// policies are as follows:
// - fixed: always return base_lr.
// - step: return base_lr * gamma ^ (floor(iter / step))
// - exp: return base_lr * gamma ^ iter
- inv: return base_lr * (1 + gamma * iter) ^ (- power)
// - multistep: similar to step but it allows non uniform steps defined by
// stepvalue
// - poly: the effective learning rate follows a polynomial decay, to be
// zero by the max_iter. return base_lr (1 - iter/max_iter) ^ (power)
// - sigmoid: the effective learning rate follows a sigmod decay
// return base_lr ( 1/(1 + exp(-gamma * (iter - stepsize))))
// where base_lr, max_iter, gamma, step, stepvalue and power are defined
// in the solver parameter protocol buffer, and iter is the current iteration.
display:100
#每100次迭代,显示结果
snapshot: 5000
#每5000次迭代,保存一次快照
snapshot_prefix: "path_prefix"
#快照保存前缀:更准确的说是快照保存路径+前缀,应为文件名后的名字是固定的
solver_mode:GPU
#选择解算器是用cpu还是gpu
批处理文件编写:
F:/caffe/caffe-windows-master/bin/caffe.exe train --solver=C:/Users/Administrator/Desktop/caffe_test/cifar-10/cifar10_slover_prototxt --gpu=all
pause
Caffe部署中的几个train-test-solver-prototxt-deploy等说明 (一)相关推荐
- Caffe部署中的几个train-test-solver-prototxt-deploy等说明二
Caffe部署中的几个train-test-solver-prototxt-deploy等说明<二> 发表于2016/9/15 20:39:52 1049人阅读 分类: 神经网络与深度学 ...
- Caffe部署中的几个train-test-solver-prototxt-deploy等说明三
Caffe部署中的几个train-test-solver-prototxt-deploy等说明<三> 2016-10-13 14:16 147人阅读 评论(0) 收藏 举报 分类: ca ...
- Caffe中对cifar10执行train操作
参考Caffe source中examples/cifar10目录下内容. cifar10是一个用于普通物体识别的数据集,cifar10被分为10类,分别为airplane.automobile.bi ...
- Caffe中对MNIST执行train操作执行流程解析
之前在 http://blog.csdn.net/fengbingchun/article/details/49849225 中简单介绍过使用Caffe train MNIST的文章,当时只是仿照ca ...
- 用MATLAB训练caffe,[转载]windows caffe部署训练+python调用全部流程
原版caffe代码项目编译在windows下非常麻烦,还好微软集成了所有三方包之后放出了一个windows版本的,省了不少时间. 项目下载地址: https://github.com/Microsof ...
- caffe模型文件解析_「机器学习」截取caffe模型中的某层
通常情况下,训练好的caffe模型包含两个文件: prototxt:网络结构描述文件,存储了整个网络的图结构: caffemodel:权重文件,存储了模型权重的相关参数和具体信息 对于某些大型的网络, ...
- caffe ssd中输入图片大小对于内存使用和运行时间的影响
caffe ssd中输入图片大小对于内存使用和运行时间的影响 一.内存使用 环境为caffe下以imagenet为样本集训练resnset网络. 在初始化生成lmdb的create_ima ...
- 保障K8s部署中的安全性
开发人员需要了解如何在容器化应用程序中嵌入控件,以及如何启用运行时保护机制以阻止黑客访问容器化系统. Kubernetes是当前流行和常用的容器编排工具之一.Kubernetes工作负载就像简单的ng ...
- xcode 中无法进行虚拟机调试_在软件部署中使用 strace 进行调试
我最喜欢的用来解决"为什么这个软件无法在这台机器上运行?"这类问题的工具就是 strace. -- Simon Arneaud(作者) 我的大部分工作都涉及到部署软件系统,这意味着 ...
最新文章
- 城市列表简称JSON数据
- 笔记-项目沟通管理-规划沟通管理
- dorado 刷新_5.dorado查询开发:使用flushData方法 (T1)
- 惠新宸php教程_惠新宸:首位国人加入PHP语言官方开发组
- mysql group by自定义_mysql – GROUP BY和自定义顺序
- JEECG开源说明:JEECG 完全开源,不收任何费用,可以任用于商业!
- 会话,授权,认证概念解析
- mysql建表主键_常见的MySQL命令大全second
- 解决 ModuleNotFoundError: No module named ‘requests‘ 问题
- php构造方法什么时候使用,php:构造方法的说明详解
- OpenFeign实现微服务间的文件下载
- 人脸识别应用在美国受禁,因噎废食还是以人为本?
- 数据挖掘学习:站在巨人的肩膀上
- notes系统服务器地址,在Notes客户端和Domino服务器上,服务器地址的缓存(Cache)存放在哪里...
- electron-builder打包后没生成latest.yml文件问题
- 电子稳定程序系统--ESP
- pyqt5 制作壁纸切换工具实例 第二章
- USB2.0转TTL串口硬件实现
- IAR 修改工程名称
- 学习3D游戏建模的主要工具与技巧!
热门文章
- 下如何画出频率瀑布图_用maftools一行代码画出瀑布图
- tf.nn.embedding_lookup函数的用法
- linux go 安装
- tfs管理java代码_使用Intellij Idea连接Team Foundation Server (TFS)实现代码版本管理
- python 条形图图注怎么集中注意力_如何用每个条形图的总和(Matplotlib)注释堆积条形图?...
- 84. Leetcode 70. 爬楼梯 (动态规划-基础题)
- 258. Add Digits
- tensorboardX笔记:理解graph
- 机器学习算法精讲20篇(一)-k-means聚类算法应用案例(附示例代码)
- 数据结构面试的常客,一文带你深入了解堆