Caffe学习：使用pycaffe定义网络

使用pycaffe定义网络：

参考链接：Learning LeNet

引入库：

import caffefrom caffe import layers as L
from caffe import params as P

使用pycaffe定义Net：
```
n = caffe.NetSpec()
```

定义DataLayer：

n.data, n.label = L.Data(batch_size=batch_size,backend=P.Data.LMDB, source=lmdb,transform_param=dict(scale=1. / 255), ntop=2)# 效果如下：layer {name: "data"type: "Data"top: "data"top: "label"transform_param {scale: 0.00392156862745}data_param {source: "mnist/mnist_train_lmdb"batch_size: 64backend: LMDB}
}

定义ConvolutionLayer：

n.conv1 = L.Convolution(n.data, kernel_size=5,num_output=20, weight_filler=dict(type='xavier'))# 效果如下：layer {name: "conv1"type: "Convolution"bottom: "data"top: "conv1"convolution_param {num_output: 20kernel_size: 5weight_filler {type: "xavier"}}
}

定义PoolingLayer：

n.pool1 = L.Pooling(n.conv1, kernel_size=2,stride=2, pool=P.Pooling.MAX)# 效果如下：layer {name: "pool1"type: "Pooling"bottom: "conv1"top: "pool1"pooling_param {pool: MAXkernel_size: 2stride: 2}
}

定义InnerProductLayer：

n.ip1 = L.InnerProduct(n.pool2, num_output=500,weight_filler=dict(type='xavier'))# 效果如下：layer {name: "ip1"type: "InnerProduct"bottom: "pool2"top: "ip1"inner_product_param {num_output: 500weight_filler {type: "xavier"}}
}

定义ReLULayer：

n.relu1 = L.ReLU(n.ip1, in_place=True)# 效果如下：layer {name: "relu1"type: "ReLU"bottom: "ip1"top: "ip1"
}

定义SoftmaxWithLossLayer：

n.loss = L.SoftmaxWithLoss(n.ip2, n.label)# 效果如下：layer {name: "loss"type: "SoftmaxWithLoss"bottom: "ip2"bottom: "label"top: "loss"
}

定义minst网络：

import caffefrom caffe import layers as L
from caffe import params as Pdef lenet(lmdb, batch_size):n = caffe.NetSpec()n.data, n.label = L.Data(batch_size=batch_size,backend=P.Data.LMDB, source=lmdb,transform_param=dict(scale=1. / 255), ntop=2)n.conv1 = L.Convolution(n.data, kernel_size=5,num_output=20, weight_filler=dict(type='xavier'))n.pool1 = L.Pooling(n.conv1, kernel_size=2,stride=2, pool=P.Pooling.MAX)n.conv2 = L.Convolution(n.pool1, kernel_size=5,num_output=50, weight_filler=dict(type='xavier'))n.pool2 = L.Pooling(n.conv2, kernel_size=2,stride=2, pool=P.Pooling.MAX)n.ip1 = L.InnerProduct(n.pool2, num_output=500,weight_filler=dict(type='xavier'))n.relu1 = L.ReLU(n.ip1, in_place=True)n.ip2 = L.InnerProduct(n.relu1, num_output=10,weight_filler=dict(type='xavier'))n.loss = L.SoftmaxWithLoss(n.ip2, n.label)return n.to_proto()

保存网络定义：

with open('mnist/lenet_auto_train.prototxt', 'w') as f:f.write(str(lenet('mnist/mnist_train_lmdb', 64)))
with open('mnist/lenet_auto_test.prototxt', 'w') as f:f.write(str(lenet('mnist/mnist_test_lmdb', 100)))

得lenet_auto_train.prototxt文件如下：（lenet_auto_test.prototxt文件类似）：

layer {name: "data"type: "Data"top: "data"top: "label"transform_param {scale: 0.00392156862745}data_param {source: "mnist/mnist_train_lmdb"batch_size: 64backend: LMDB}
}
layer {name: "conv1"type: "Convolution"bottom: "data"top: "conv1"convolution_param {num_output: 20kernel_size: 5weight_filler {type: "xavier"}}
}
layer {name: "pool1"type: "Pooling"bottom: "conv1"top: "pool1"pooling_param {pool: MAXkernel_size: 2stride: 2}
}
layer {name: "conv2"type: "Convolution"bottom: "pool1"top: "conv2"convolution_param {num_output: 50kernel_size: 5weight_filler {type: "xavier"}}
}
layer {name: "pool2"type: "Pooling"bottom: "conv2"top: "pool2"pooling_param {pool: MAXkernel_size: 2stride: 2}
}
layer {name: "ip1"type: "InnerProduct"bottom: "pool2"top: "ip1"inner_product_param {num_output: 500weight_filler {type: "xavier"}}
}
layer {name: "relu1"type: "ReLU"bottom: "ip1"top: "ip1"
}
layer {name: "ip2"type: "InnerProduct"bottom: "ip1"top: "ip2"inner_product_param {num_output: 10weight_filler {type: "xavier"}}
}
layer {name: "loss"type: "SoftmaxWithLoss"bottom: "ip2"bottom: "label"top: "loss"
}

Caffe学习：使用pycaffe定义网络相关推荐

pytorch学习1：pytorch 定义网络的方式
以一个简单的全连接神经网络为例,介绍网络的定义过程 import torch import torch.nn as nn from torch.optim import SGD import torc ...
CAFFE学习笔记（一）Caffe_Example之训练mnist
CAFFE学习笔记(一)Caffe_Example之训练mnist 0.参考文献 [1]caffe官网<Training LeNet on MNIST with Caffe>; [ ...
Caffe学习笔记4图像特征进行可视化
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!本人对博客使用拥有最终解释权欢迎关注我的博客:http://blog.csdn.net/hit201 ...
Caffe学习笔记2
Caffe学习笔记2-用一个预训练模型提取特征本文为原创作品,未经本人同意,禁止转载,禁止用于商业用途!本人对博客使用拥有最终解释权欢迎关注我的博客:http://blog.csdn.net/hi ...
[转] 介绍深度学习和长期记忆网络
机器学习,深度学习 101 IBM Power Systems 入门 Beth Hoffman 和 Rupashree Bhattacharya 2017 年 7 月 04 日发布 WeiboGoog ...
caffe学习（4）数据层
数据是学习的原料,参考官网和网友的资料,来看一下数据与数据层. Data:Ins and Outs Caffe学习系列(2):数据层及参数,denny402 数据:输入与输出在Caffe中,数据是以 ...
Caffe学习笔记（二）：Caffe前传与反传、损失函数、调优
Caffe学习笔记(二):Caffe前传与反传.损失函数.调优在caffe框架中,前传/反传(forward and backward)是一个网络中最重要的计算过程:损失函数(loss)是学习的驱动 ...
caffe学习（9）LeNet在Caffe上的使用
使用官网例程训练LeNet. Training LeNet on MNIST with Caffe 准备数据 Caffe程序的运行要注意需命令行要在Caffe的根目录下. cd $CAFFE_ROOT ...
提升深度学习模型性能及网络调参
提升深度学习模型性能及网络调参 https://www.toutiao.com/a6637086018950398472/ 图像处理与机器视觉 2018-12-25 10:42:00 深度学习有很多的 ...
Caffe学习系列(23)：如何将别人训练好的model用到自己的数据上
caffe团队用imagenet图片进行训练,迭代30多万次,训练出来一个model.这个model将图片分为1000类,应该是目前为止最好的图片分类model了. 假设我现在有一些自己的图片想进行分 ...

Caffe学习：使用pycaffe定义网络

使用pycaffe定义网络：

Caffe学习：使用pycaffe定义网络相关推荐

最新文章

热门文章