Windows下使用深度學習框架caffe學習筆記(1)
相關推薦
Coursera吳恩達《優化深度神經網路》課程筆記(1)-- 深度學習的實用層面
Andrew Ng的深度學習專項課程的第一門課《Neural Networks and Deep Learning》的5份筆記我已經整理完畢。迷路的小夥伴請見如下連結: 在接下來的幾次筆記中,我們將對第二門課《Improving Dee
基於Matconvnet深度學習框架的方言分類(1)
背景 本文是基於Matconvnet深度學習框架對方言音訊檔案進行分類,介紹如下: 預處理資料 聲譜圖 預處理資料都是對音訊檔案進行處理,我們都知道 CNN 主要是針對二維資料做分類等,因此我們第一步需要做的是將一維的音訊訊號,通過呼叫specgram函式將音訊檔案轉換成聲譜
Windows下使用深度學習框架caffe學習筆記(1)
由於本人大四畢業論文是關於深度學習,因此接觸了caffe框架,但是因為自己電腦是windows平臺,所以想在windows平臺上配置,網上有很多windows caffe的版本,本人試了很多個版本,推薦使用微軟的官方caffe版本,地址https://github.com/
深度學習Caffe實戰筆記(10)Windows Caffe使用MATLAB介面提取和視覺化特徵
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(21)Windows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(4)Windows 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(20)Windows平臺 Faster-RCNN 訓練自己的資料集
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
深度學習框架Caffe學習筆記(4)-MNIST資料集轉換成視覺化圖片
MNIST圖片檔案格式 train-images-idx3-ubyte 檔案偏移量 資料型別 值 描述 0000 32位整型 2051 魔數(大端儲存) 0004 32位整型 60000 檔案包
深度學習框架Caffe學習筆記(1)-Caffe環境搭建
Caffe是由伯克利視覺和學習中心開發的基於C++/CUDA/Python實現的卷積神經網路,提供了面向命令列、Matlab、Python的繫結介面。 Caffe環境搭建 系統:Ubuntu16.04 首先安裝Caffe依賴包: $ sudo
深度學習Caffe實戰筆記(5)Windows caffe平臺跑Siamese mnist資料集
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(18)Windows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
深度學習框架Caffe學習筆記(6)-測試自己的手寫數字圖片
在之前的實驗中我們使用過 $ ./build/tools/caffe.bin test \ -model examples/mnist/lenet_train_test.prototxt \ -weights examples/mnist/lenet_it
10、深度學習框架Caffe學習與應用--訓練結果影象分析
一、觀察損失曲線:學習率 橫軸:輪。 縱軸:損失。 黃色:學習率太高; 藍色:學習率太低; 綠色:學習率高了; 紅色:學習率最好; 二、放大損失曲線:學習率、batch大小 沒有呈現線性:說明學習率低了。 下降太慢:說明學習率太高。 寬度
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
【深度學習框架Caffe學習與應用】 第十一課
1.車輛檢測實踐:使用Caffe訓練的深度學習模型做目標檢測——以車輛檢測為例 有關檔案都放在以下資料夾中: 對vehicle_detetc.cpp進行編譯: 編譯之前,需要修改一下程式碼中的檔
深度學習框架caffe學習教程
Caffe是一個清晰而高效的深度學習框架,本文詳細介紹了caffe的優勢、架構、網路定義、各層定義,caffe的安裝與配置,解讀了caffe實現的影象分類 模型AlexNet,並演示了CIFAR-10在caffe上進行訓練與學習。 Caffe是純粹的C++/CUDA架
【深度學習框架Caffe學習與應用】第三課 將圖片資料轉化為LMDB資料``
1.將圖片資料轉化為LMDB資料 第一步:建立圖片檔案列表清單,一般為一個txt檔案,一行一張圖片 我在caffe/data/目錄下新建一個test_data的資料夾,裡面放訓練集及資料集
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_fil
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
【深度學習框架Caffe學習與應用】第四課 Caffe視覺化工具
1.首先準備pycaffe環境 輸入一下命令: 2.網路視覺化的工具 2.1在caffe中,有一個專門用於畫網路結構圖的py檔案:caffe/tools/draw_net.py 2