caffe手写数字分类

接上篇caffe手写数字识别－训练模型

import matplotlib.pyplot as plt
import numpy as np
import caffe

# 对之前的solver.prototxt文件进行了修改，
# 没十次训练，测试一轮，显示一次训练测试loss,主要是为了画学习曲线时，x坐标参数相同
caffe.set_device(0)
caffe.set_mode_gpu()
solver = caffe.SGDSolver('mnist/solver.prototxt')

max_iter = 6000      # 训练batch_size的数量
display =  10         # 每训练10个batch_size的图片显示一次loss即1000个样本
test_iter = 100       # 每次测试100个样本，100次测试完10000个测试样例
test_interval = 10    # 测试间隔，每训练1000个样本,进行一次测试

# np.ceil([-0.1,2,1.1])  >>> [-0,2,2]  向上取整
# Try to install numpy 1.11.0 sudo pip install -U numpy==1.11.0.
# caused by unsupported float index in 1.12.0
# even if the case likex[1.0: 3.0] should be considered as valid.
'''
train_loss = np.zeros(np.ceil(max_iter*1.0/display))
test_loss  = np.zeros(np.ceil(max_iter*1.0/test_interval))
test_acc   = np.zeros(np.ceil(max_iter*1.0/test_interval))
'''

'\ntrain_loss = np.zeros(np.ceil(max_iter*1.0/display))\ntest_loss  = np.zeros(np.ceil(max_iter*1.0/test_interval))\ntest_acc   = np.zeros(np.ceil(max_iter*1.0/test_interval))\n'

train_loss = []
test_loss = []
test_acc = []
trainLoss = 0
testLoss = 0
testAcc = 0

# 完成一个batch_size样本的训练
solver.step(1)

for i in xrange(max_iter):solver.step(1)trainLoss += solver.net.blobs['SoftmaxWithLoss1'].data# 每完成20个batch_size的训练，计算一次平均lossif i % display == 0:train_loss.append(trainLoss/display)trainLoss = 0# 每完成１epoch的训练进行，一轮测试，计算测试平均loss和accuif i % test_interval == 0:# 一共10000个测试样本，每次测试100个，测试100次for ti in xrange(test_iter):solver.test_nets[0].forward()testLoss += solver.test_nets[0].blobs['SoftmaxWithLoss1'].datatestAcc += solver.test_nets[0].blobs['Accuracy1'].data# 计算平均值test_loss.append(testLoss/test_iter)test_acc.append(testAcc/test_iter)testLoss = 0testAcc = 0

len(train_loss),len(test_loss),len(test_acc),

(600, 600, 600)

plt.figure(figsize=(15,6))
plt.plot(train_loss,'r',label='Train Loss')
plt.plot(test_loss, 'g',label='Test Loss')
plt.plot(test_acc, 'b',label='Test Accu')
plt.grid()
plt.title('Learning Cruve')
plt.legend()
plt.show()

caffe手写数字分类－学习曲线相关推荐

如何为MNIST手写数字分类开发CNN
导言 MNIST手写数字分类问题是计算机视觉和深度学习中使用的标准数据集. 虽然数据集得到了有效的解决,但它可以作为学习和实践如何开发,评估和使用卷积深度学习神经网络从头开始进行图像分类的基础.这包括 ...
独家 | 如何从头开始为MNIST手写数字分类建立卷积神经网络（附代码）
翻译:张睿毅校对:吴金笛本文约9300字,建议阅读20分钟. 本文章逐步介绍了卷积神经网络的建模过程,最终实现了MNIST手写数字分类. MNIST手写数字分类问题是计算机视觉和深度学习中使用的标 ...
PyTorch基础与简单应用：构建卷积神经网络实现MNIST手写数字分类
文章目录 (一) 问题描述 (二) 设计简要描述 (三) 程序清单 (四) 结果分析 (五) 调试报告 (六) 实验小结 (七) 参考资料 (一) 问题描述构建卷积神经网络实现MNIST手写数字分类 ...
基于PyTorch框架的多层全连接神经网络实现MNIST手写数字分类
多层全连接神经网络实现MNIST手写数字分类 1 简单的三层全连接神经网络 2 添加激活函数 3 添加批标准化 4 训练网络 5 结论参考资料先用PyTorch实现最简单的三层全连接神经网络,然后 ...
练习利用LSTM实现手写数字分类任务
练习利用LSTM实现手写数字分类任务 MNIST数据集中图片大小为28*28. 按照行进行展开成28维的特征向量. 考虑到这28个的向量之间存在着顺序依赖关系,我们可以将他们看成是一个长为28的输入序 ...
Keras入门实战（1）：MNIST手写数字分类
目录 1)首先我们加载Keras中的数据集 2)网络架构 3)选择编译(compile参数) 4)准备图像数据 5) 训练模型 6)测试数据前面的博客中已经介绍了如何在Ubuntu下安装Keras深 ...
基于tensorflow+RNN的MNIST数据集手写数字分类
2018年9月25日笔记 tensorflow是谷歌google的深度学习框架,tensor中文叫做张量,flow叫做流. RNN是recurrent neural network的简称,中文叫做循环 ...
MNIST数据集手写数字分类
参考 MNIST数据集手写数字分类 - 云+社区 - 腾讯云目录 0.编程环境 1.下载并解压数据集 2.完整代码 3.数据准备 4.数据观察 4.1 查看变量mnist的方法和属性 4.2 对 ...
机器学习算法（九）: 基于线性判别LDA模型的分类（基于LDA手写数字分类实践）
机器学习算法(九): 基于线性判别模型的分类 1.前言:LDA算法简介和应用 1.1.算法简介线性判别模型(LDA)在模式识别领域(比如人脸识别等图形图像识别领域)中有非常广泛的应用.LDA是一种监 ...
神经网络和深度学习（二）——一个简单的手写数字分类网络
本文转自:https://blog.csdn.net/qq_31192383/article/details/77198870 一个简单的手写数字分类网络接上一篇文章,我们定义了神经网络,现在我们开 ...

caffe手写数字分类－学习曲线

caffe手写数字分类－学习曲线相关推荐

最新文章

热门文章