1. 程式人生 > >深度學習caffe實戰筆記(13)利用MATLAB視覺化mnist資料集

深度學習caffe實戰筆記(13)利用MATLAB視覺化mnist資料集

之前的部落格中介紹過利用MATLAB視覺化影象特徵,因為最近在看《深度學習21天實戰caffe》,裡面有一章節是關於視覺化的,所以把視覺化mnist資料集的程式碼共享一下,在這裡要感謝趙永科老師

clc;
clear;
close all;
image_file_name='t10k-images.idx3-ubyte';
index_file_name='t10k-labels.idx1-ubyte';

fid1=fopen(image_file_name,'rb');
fid2=fopen(index_file_name,'rb');

image_data=fread(fid1,'uint8'
); index_data=fread(fid2,'uint8'); fclose(fid1); fclose(fid2); image_data=image_data(17:end); index_data=index_data(9:end); image_buffer=zeros(28,28); for k=1:100:length(image_data)/28/28 figure(10000); for t=1:10000 image_buffer=reshape(image_data((k+t-2)*28*28+1:(k+t-1)*28*28),28,28)'; subplot(100,100,t); imshow(uint8(image_buffer)'
); title(num2str(index_data(k+t-1))); end pause; end

效果圖如下:
這裡寫圖片描述

在這裡要感謝趙永科老師,程式碼是趙老師書裡的。

參考文獻:《深度學習21天實戰caffe》趙永科

相關推薦

深度學習caffe實戰筆記13利用MATLAB視覺mnist資料

之前的部落格中介紹過利用MATLAB視覺化影象特徵,因為最近在看《深度學習21天實戰caffe》,裡面有一章節是關於視覺化的,所以把視覺化mnist資料集的程式碼共享一下,在這裡要感謝趙永科老師 clc; clear; close all; image_fil

深度學習Caffe實戰筆記15CNN網路結構視覺

利用python是可以實現卷積網路結構的視覺化的,但是window平臺下使用相當麻煩,這裡介紹一種非常方便快捷的視覺化方法,這個是珍藏已久的東西啦,今天拿出來分享一下,再次感謝課題組大師姐老龐,老龐師姐,你真美! 網址: http://ethereon.gi

深度學習Caffe實戰筆記2用LeNet跑車牌識別資料

caffe實戰之“車牌識別” 上一篇部落格寫了如何在cpu的情況下配置環境,配置好環境後編譯成功,就可以用caffe框架訓練卷積神經網路了。今天介紹如何在caffe環境下,跑車牌識別的資料,利用的網路是LeNet,這裡只介紹具體caffe實戰步驟,網路結構不做

深度學習Caffe實戰筆記3用AlexNet跑自己的資料

上一篇部落格介紹瞭如何在caffe框架平臺下,用LeNet網路訓練車牌識別資料,今天介紹用AlexNet跑自己的資料,同樣基於windows平臺下,會比基於Ubuntu平臺下麻煩一些,特別是後面的Siamese網路,說起Siamese網路真是一把辛酸一把淚啊,先

深度學習Caffe實戰筆記10Windows Caffe使用MATLAB介面提取和視覺特徵

上一篇部落格中介紹瞭如何使用MATLAB訓練和測試資料,這篇部落格介紹如何從訓練好的模型中提取影象特徵,並介紹把卷積層特徵視覺化方法。 之前提取特徵都是用python,儘管用python提取特徵很方便,但是感覺MATLAB提取特徵更方便,因為博主對MATLAB

深度學習Caffe實戰筆記21Windows平臺 Faster-RCNN 訓練好的模型測試資料

前一篇部落格介紹瞭如何利用Faster-RCNN訓練自己的資料集,訓練好會得到一個模型,這篇部落格介紹如何利用訓練好的模型進行測試資料。 1、訓練好的模型存放位置 訓練好的模型存放在faster_rcnn-master\output\faster_rcnn_

深度學習caffe實戰筆記4Windows caffe平臺下跑cifar10

上一篇部落格介紹瞭如何用alexnet跑自己的資料,能跑自己的資料按理說再跑cifar10應該沒問題了啊,但是想想還是要把cifar10的記錄下來,因為cifar10資料格式是屬於特殊的資料格式,需要用caffe環境把資料轉換檔案編譯出來,這也是後面Siames

深度學習Caffe實戰筆記20Windows平臺 Faster-RCNN 訓練自己的資料

1、把自己的資料集放到Faster-master中 我覺得這個過程是最重要的一個過程吧,博主在這裡跳了很多的坑,最後找到了一個非常簡單高效的方法。不用修改任何檔案,就可以輕鬆實現載入自己的資料集。 在faster_rcnn-master資料夾下,有一個d

深度學習Caffe實戰筆記5Windows caffe平臺跑Siamese mnist資料

前幾篇部落格介紹了環境搭建,caffe跑lenet,alexnet,cifar10,基礎的一些操作都介紹的很詳細了。這篇部落格介紹如何使用Siamese網路跑mnist資料集,下一篇介紹如何用Siamese網路跑自己的資料集。說到Siamese網路,這次不哭了,

深度學習Caffe實戰筆記18Windows平臺 Faster-RCNN 環境配置

好久不寫部落格了,因為前一段時間博主身體抱恙,感觸頗多。。。。。。都說windows平臺做caffe和tensorflow坑多,博主沒有太多優點,唯獨的一個優點就是不服輸,Windows平臺雖然坑多,但是填坑也是蠻有意思的一件事情。另外,在Siamese網路訓練

深度學習Caffe實戰筆記7Caffe平臺下,如何調整卷積神經網路結構

授人以魚不如授人以漁,紅鯉魚家有頭小綠驢叫驢屢屢。至於修改網路結構多虧了課題組大師姐老龐,在小米實習回校修整,我問她怎麼修改網路,她說改網路就是改協議,哎呀,一語驚醒夢中人啊!老龐師姐,你真美!雖然博主之前也想過修改網路協議試一試,鑑於一直不懂網路結構中的各個引

深度學習tensorflow實戰筆記3VGG-16訓練自己的資料並測試和儲存模型

    前面的部落格介紹瞭如何把影象資料轉換成tfrecords格式並讀取,本篇部落格介紹如何用自己的tfrecords格式的資料訓練CNN模型,採用的模型是VGG-16。現有的教程都是在mnist或者cifar-10資料集上做的訓練,如何用自己的資料集進行訓練相關的資料比較

深度學習tensorflow實戰筆記4利用儲存的VGG-16CNN網路模型提取特徵

    前幾篇部落格寫了如何處理資料,如何把用自己的資料訓練VGG-16,如何把訓練好的模型儲存。而在實際應用中,並不是所有的操作都是為了分類的,有時候需要提取影象的特徵,那麼怎麼利用已經儲存的模型提取特徵呢?   “桃葉兒尖上尖,柳葉兒就遮滿了天”    測試資料轉換成tf

深度學習tensorflow實戰筆記1全連線神經網路FCN訓練自己的資料從txt檔案中讀取

      寫在前面的話:離上一次寫部落格已經有些日子了,以前的工程都是在caffe平臺下做的,caffe平臺雖然挺好用的,但是caffe主要用於做CNN,對於其它的網路模型用起來不太方便,所以博主轉戰tensorflow,Google對待tensorflow就想當年對待An

深度學習tensorflow實戰筆記5用預訓練好的VGG-16模型提取影象特徵

     上一篇部落格介紹瞭如果使用自己訓練好的模型用於影象分類和特徵提取,但是有時候自己的資料集大小有限,所以更多的時候我們需要用VGG-16預訓練好的模型提取特徵,相關學者預訓練好的模型使用的都是公開的標準資料集,所以我們直接用預訓練的模型提取我們自己影象的特徵,可以用於

Python資料爬蟲學習筆記13爬取微信文章資料

一、需求:在微信搜尋網站中,通過設定搜尋關鍵詞以及搜尋頁面數,爬取出所有符合條件的微信文章: 二、搜尋頁URL分析階段: 1、在搜尋框中輸入任意關鍵詞,在出現的搜尋結果頁面點選下一頁,將每一頁的URL複製下來進行觀察: 2、注意到頁碼由page=X決定,搜尋關鍵

斯坦福CS224N_自然語言處理NLP深度學習DL課程筆記

Lecture 1: Introduction pdf 本節課是對自然語言處理的定義介紹和應用介紹,還順帶說了NLP的難點; 本節課使用深度學習作為NLP的主要處理工具。 傳統的機器學習技術,需要人為地去做特徵工程,將這些的特徵餵給機器學期演算法;然後機器學習演

Coursera吳恩達《神經網路與深度學習》課程筆記2-- 神經網路基礎之邏輯迴歸

上節課我們主要對深度學習(Deep Learning)的概念做了簡要的概述。我們先從房價預測的例子出發,建立了標準的神經網路(Neural Network)模型結構。然後從監督式學習入手,介紹了Standard NN,CNN和RNN三種不同的神經網路模型。接

深度學習論文閱讀筆記深度信念網路DBN

想要獲得更多深度學習在NLP方面應用的經典論文、實踐經驗和最新訊息,歡迎關注微信公眾號“DeepLearning_NLP” 或者掃描下方二維碼新增關注。 深度神經網路    12.《受限波爾茲曼機簡介》 (1)主要內容:主要介紹受限玻爾茲曼機(RBM)的基本模型、學習

【Redis學習】Redis筆記——特點、基礎命令和資料結構

更新時間:2018-10-13 Redis的特性 速度快 持久化(斷電不丟資料) 多種資料結構 支援多種客戶端語言 功能豐富 操作簡單 主從複製 高可用,分散式 Redis的通用命令 key