2. 程式人生 > >【深度學習：caffe】Caffemodel解析

【深度學習：caffe】Caffemodel解析

阿新 • • 發佈：2019-02-15
1 message NetParameter { 2 3 optional string name = 1; // 網路名稱 4 5 repeated string input = 3; // 網路輸入input blobs 6 7 repeated BlobShape input_shape = 8; // The shape of the input blobs 8 9 // 輸入維度blobs，4維(num, channels, height and width) 10 11 repeated int32 input_dim = 4
; 12 13 // 網路是否強制每層進行反饋操作開關 14 15 // 如果設定為False，則會根據網路結構和學習率自動確定是否進行反饋操作 16 17 optional bool force_backward = 5 [default = false]; 18 19 // 網路的state，部分網路層依賴，部分不依賴，需要看具體網路 20 21 optional NetState state = 6; 22 23 // 是否列印debug log 24 25 optional bool debug_info = 7 [default = false
]; 26 27 // 網路層引數，Field Number 為100，所以網路層引數在最後 28 29 repeated LayerParameter layer = 100; 30 31 // 棄用: 用 'layer' 代替 32 33 repeated V1LayerParameter layers = 2; 34 35 } 36 37 // Specifies the shape (dimensions) of a Blob. 38 39 message BlobShape { 40 41 repeated int64 dim = 1 [packed = true
]; 42 43 } 44 45 message BlobProto { 46 47 optional BlobShape shape = 7; 48 49 repeated float data = 5 [packed = true]; 50 51 repeated float diff = 6 [packed = true]; 52 53 optional int32 num = 1 [default = 0]; 54 55 optional int32 channels = 2 [default = 0]; 56 57 optional int32 height = 3 [default = 0]; 58 59 optional int32 width = 4 [default = 0]; 60 61 } 62 63 64 65 // The BlobProtoVector is simply a way to pass multiple blobproto instances 66 67 around. 68 69 message BlobProtoVector { 70 71 repeated BlobProto blobs = 1; 72 73 } 74 75 message NetState { 76 77 optional Phase phase = 1 [default = TEST]; 78 79 optional int32 level = 2 [default = 0]; 80 81 repeated string stage = 3; 82 83 } 84 85 message LayerParameter { 86 87 optional string name = 1; // the layer name 88 89 optional string type = 2; // the layer type 90 91 repeated string bottom = 3; // the name of each bottom blob 92 93 repeated string top = 4; // the name of each top blob 94 95 // The train/test phase for computation. 96 97 optional Phase phase = 10; 98 99 // Loss weight值：float 100 101 // 每一層為每一個top blob都分配了一個預設值，通常是0或1 102 103 repeated float loss_weight = 5; 104 105 // 指定的學習引數 106 107 repeated ParamSpec param = 6; 108 109 // The blobs containing the numeric parameters of the layer. 110 111 repeated BlobProto blobs = 7; 112 113 // included/excluded. 114 115 repeated NetStateRule include = 8; 116 117 repeated NetStateRule exclude = 9; 118 119 // Parameters for data pre-processing. 120 121 optional TransformationParameter transform_param = 100; 122 123 // Parameters shared by loss layers. 124 125 optional LossParameter loss_param = 101; 126 127 // 各種型別層引數 128 129 optional AccuracyParameter accuracy_param = 102; 130 131 optional ArgMaxParameter argmax_param = 103; 132 133 optional ConcatParameter concat_param = 104; 134 135 optional ContrastiveLossParameter contrastive_loss_param = 105; 136 137 optional ConvolutionParameter convolution_param = 106; 138 139 optional DataParameter data_param = 107; 140 141 optional DropoutParameter dropout_param = 108; 142 143 optional DummyDataParameter dummy_data_param = 109; 144 145 optional EltwiseParameter eltwise_param = 110; 146 147 optional ExpParameter exp_param = 111; 148 149 optional HDF5DataParameter hdf5_data_param = 112; 150 151 optional HDF5OutputParameter hdf5_output_param = 113; 152 153 optional HingeLossParameter hinge_loss_param = 114; 154 155 optional ImageDataParameter image_data_param = 115; 156 157 optional InfogainLossParameter infogain_loss_param = 116; 158 159 optional InnerProductParameter inner_product_param = 117; 160 161 optional LRNParameter lrn_param = 118; 162 163 optional MemoryDataParameter memory_data_param = 119; 164 165 optional MVNParameter mvn_param = 120; 166 167 optional PoolingParameter pooling_param = 121; 168 169 optional PowerParameter power_param = 122; 170 171 optional PythonParameter python_param = 130; 172 173 optional ReLUParameter relu_param = 123; 174 175 optional SigmoidParameter sigmoid_param = 124; 176 177 optional SoftmaxParameter softmax_param = 125; 178 179 optional SliceParameter slice_param = 126; 180 181 optional TanHParameter tanh_param = 127; 182 183 optional ThresholdParameter threshold_param = 128; 184 185 optional WindowDataParameter window_data_param = 129; 186 187 }

相關推薦

【深度學習：caffe】Caffemodel解析

1 message NetParameter { 2 3 optional string name = 1; // 網路名稱 4 5 repeated string input = 3; // 網路輸入input blobs 6 7 repeated Blo

【深度學習：CNN】Dropout解析（1）

一：引言 　　因為在機器學習的一些模型中，如果模型的引數太多，而訓練樣本又太少的話，這樣訓練出來的模型很容易產生過擬合現象。在訓練bp網路時經常遇到的一個問題，過擬合指的是模型在訓練資料上損失函式比較小，預測準確率較高（如果通過畫圖來表示的話，就是擬合曲線比較尖，不平滑

【深度學習之Caffe】將模型測試Classification過程生成動態連結庫dll以方便其他專案呼叫

#include "caffe_classify.h"   #include "head.h"   Classifier::Classifier(const string& model_file,const string& trained_file,const string& mean

【深度學習：21 天實戰 Caffe】Docker 映象更新

百度網盤已棄用。隨書資源已經放在碼雲和 github，方便國內外朋友下載。碼雲：https://gitee.com/yongkezhao/PracticeCaffeIn21Daysgithub：https://github.com/zhaoyongke/Caffe21Days

【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：目標檢測】RCNN學習筆記(5)：faster rcnn

轉載：http://blog.csdn.net/u011534057/article/details/51247371 reference link：http://blog.csdn.net/shenxiaolu1984/article/details/51152614

【深度學習：目標檢測】RCNN學習筆記(1):Rich feature hierarchies for accurate object detection and semantic segmentat

轉載：http://blog.csdn.net/u011534057/article/details/51218218 rcnn主要作用就是用於物體檢測，就是首先通過selective search 選擇2000個候選區域，這些區域中有我們需要的所對應的物體的bound

【深度學習：目標檢測】RCNN學習筆記(10)：SSD:Single Shot MultiBox Detector

之前一直想總結下SSD，奈何時間緣故一直沒有整理，在我的認知當中，SSD是對Faster RCNN RPN這一獨特步驟的延伸與整合。總而言之，在思考於RPN進行2-class分類的時候，能否借鑑YOLO並簡化faster rcnn在21分類同時整合faster rcnn中anchor boxes實現m

【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

【深度學習：目標檢測】 RCNN學習筆記(11):R-FCN: Object Detection via Region-based Fully Convolutional Networks

轉自:http://blog.csdn.NET/shadow_guo/article/details/51767036 作者代季峰 1，14年畢業的清華博士到微軟亞洲研究院的視覺計算組，CVPR 16 兩篇一作的會議主持人同時公佈了原始碼~ 2 1. 簡介

【深度學習筆記1】如何建立和確定模型正確性？如何優化模型？

近期看了吳恩達的一本書，關於如何建立和確定優化模型？裡面有個人認為需要學習的地方，故做筆記： 1.模型訓練一共有三個資料集：訓練集、開發集（驗證集）、測試集。開發集不能太小，通常在1000-10000，並且測試集屬於同一分佈；2.過擬合：訓練過程中開發集的準確率和測試集測試的準確率差別不大，若開發集比測試集

【深度學習基礎1】神經網路基礎--邏輯迴歸

  本博文根據 coursera 吳恩達 深度學習整理。作為理解神經網路的基礎。 一、知識點        深度學習本質上是對資料的一種擬合。使用非線性的函式集合作為模型，對樣本對進行損失最小的模擬。首先理解單個神經元的作用和原理，可以從

【深度學習數學基礎】向量點乘（內積）和叉乘（外積、向量積）概念及幾何意義解讀

1. 點乘 向量的點乘,也叫向量的內積、數量積，對兩個向量執行點乘運算，就是對這兩個向量對應位一一相乘之後求和的操作，點乘的結果是一個標量。 對於向量a和向量b：                                                 

【深度學習基礎5】深度神經網路的優化與調參(2)

     轉載請註明出處。謝謝。      本博文根據 coursera 吳恩達 Improving Deep Neural Networks: Hyperparameter tuning, Regularizati

【深度學習論文筆記】Deep Neural Networks for Object Detection

       論文:<<Deep Neural Networks for Object Detection>>       作者:Christian Szegedy Al

【深度學習與Theano】LSTM網路-情感分析

概述 本文提供一個如何使用Theano實現使用LSTM結構的RNN例子。模型被用來通過電影綜述來進行情感分析，綜述資料來源於Large Movie Review Dataset，即IMDB。 在這個任務中，給定一個電影，這個模型能夠預測電影是posit

【深度學習讀書筆記】第一章 引言

在人工智慧的早期，那些對人類智力來說非常困難、但對計算機來說相對簡單的問題得到迅速解決，比如，那些可以通過一系列形式化的數學規則來描述的問題。人工智慧的真正挑戰在於解決那些對人來說很容易執行、但很難形式化描述的任務，如識別人們所說的話或影象中的臉。 讓計算機從

【深度學習_4.3】構建YOLO物體識別演算法

訓練集裡面的訓練圖片被標記如下 如果YOLO演算法需要識別80種物體，那麼c可以是1-80之間的任意整數，也可以是80維的向量，識別出的物體為1，其他均為零。 YOLO演算法模型 輸入（m,608,608,3） 輸出是識別出來的物體被邊框（pc,bx,by,bw,bh,c

【深度學習Deep Learning】資料大全

介紹:使用卷積神經網路的影象縮放. 介紹:ICML2015 論文集,優化4個+稀疏優化1個；強化學習4個，深度學習3個+深度學習計算1個；貝葉斯非參、高斯過程和學習理論3個；還有計算廣告和社會選擇.ICML2015 Sessions. 介紹:使用卷積神經網路的影象縮放. 介紹:，第28屆IEEE計算機視覺與