Caffe神經(jīng)網(wǎng)絡(luò)服務(wù)層及主要參數(shù)

89542767 發(fā)布于2022-12-24 15:30 / 379人閱讀

　　此篇文章主要是給大家介紹了Caffe神經(jīng)網(wǎng)絡(luò)服務(wù)層及主要參數(shù)實(shí)例詳細(xì)說(shuō)明，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的發(fā)展，盡早漲薪

　　前言

　　要運(yùn)行caffe，必須要先構(gòu)建一個(gè)實(shí)體模型（model)，如較為常見的Lenet,Alex等，所以一個(gè)實(shí)體模型由好幾個(gè)屋（layer）構(gòu)成，每個(gè)屋又由很多主要參數(shù)構(gòu)成。每一個(gè)主要參數(shù)都界定在caffe.proto這一文檔中。要熟練掌握caffe，最重要的就是學(xué)好環(huán)境變量（prototxt）的編輯。

　　層有許多種種類，例如Data,Convolution,Pooling等，層間的數(shù)據(jù)流動(dòng)要以Blobs的形式進(jìn)行。

　　服務(wù)層

　　下面我們就為大家介紹一下下服務(wù)層.

　　服務(wù)層是每一個(gè)模型底層，是模型通道，不但給出的數(shù)據(jù)的鍵入，也給出的數(shù)據(jù)從Blobs轉(zhuǎn)換成其他文件格式開展儲(chǔ)存導(dǎo)出。一般數(shù)據(jù)的預(yù)處理（如減掉平均值,等比例縮放,裁切和鏡象等），在這一層層設(shè)定主要參數(shù)完成。

　　信息來(lái)源能夠來(lái)自高效率的數(shù)據(jù)庫(kù)系統(tǒng)（如LevelDB和LMDB），可以直接是來(lái)自于運(yùn)行內(nèi)存。假如不太注重質(zhì)量得話，數(shù)據(jù)信息也可以來(lái)自硬盤的hdf5文件或照片格式。

　　每一個(gè)服務(wù)層都所具有的公共主要參數(shù)：首先看實(shí)例

　　layer{
　　name:"cifar"
　　type:"Data"
　　top:"data"
　　top:"label"
　　include{
　　phase:TRAIN
　　}
　　transform_param{
　　mean_file:"examples/cifar10/mean.binaryproto"
　　}
　　data_param{
　　source:"examples/cifar10/cifar10_train_lmdb"
　　batch_size:100
　　backend:LMDB
　　}
　　}

　　name:表明該層名字，可任意取

　　type:層種類，假如是Data，表明數(shù)據(jù)信息來(lái)自LevelDB或LMDB。依據(jù)數(shù)據(jù)信息的源頭不一樣，服務(wù)層的種類也不盡相同（接下來(lái)會(huì)詳細(xì)描述）。一般是在練習(xí)時(shí)，大家都采用的LevelDB或LMDB數(shù)據(jù)信息，因而層種類設(shè)為Data。

　　top或bottom:每層用bottom來(lái)錄入數(shù)據(jù)，用top來(lái)導(dǎo)出數(shù)據(jù)信息。如果要有top沒有bottom，則此層僅有導(dǎo)出，并沒有鍵入。相反也是。假如多么個(gè)top的多個(gè)bottom，表明多么個(gè)blobs數(shù)據(jù)的輸入輸出。

　　data與label:在數(shù)據(jù)層中，至少有一個(gè)命名為data的top。如果有第二個(gè)top，一般命名為label。這種(data,label)配對(duì)是分類模型所必需的。

　　include:一般訓(xùn)練的時(shí)候和測(cè)試的時(shí)候，模型的層是不一樣的。該層（layer）是屬于訓(xùn)練階段的層，還是屬于測(cè)試階段的層，需要用include來(lái)指定。如果沒有include參數(shù)，則表示該層既在訓(xùn)練模型中，又在測(cè)試模型中。

　　Transformations:數(shù)據(jù)的預(yù)處理，可以將數(shù)據(jù)變換到定義的范圍內(nèi)。如設(shè)置scale為0.00390625，實(shí)際上就是1/255,即將輸入數(shù)據(jù)由0-255歸一化到0-1之間

　　其它的數(shù)據(jù)預(yù)處理也在這個(gè)地方設(shè)置：

　　transform_param{
　　scale:0.00390625
　　mean_file_size:"examples/cifar10/mean.binaryproto"
　　#用一個(gè)配置文件來(lái)進(jìn)行均值操作
　　mirror:1#1表示開啟鏡像，0表示關(guān)閉，也可用ture和false來(lái)表示
　　#剪裁一個(gè)227*227的圖塊，在訓(xùn)練階段隨機(jī)剪裁，在測(cè)試階段從中間裁剪
　　crop_size:227
　　}

　　后面的data_param部分，就是根據(jù)數(shù)據(jù)的來(lái)源不同，來(lái)進(jìn)行不同的設(shè)置。

　　1、數(shù)據(jù)來(lái)自于數(shù)據(jù)庫(kù)（如LevelDB和LMDB）

　　層類型（layer type）:Data

　　必須設(shè)置的參數(shù)：

　　source:包含數(shù)據(jù)庫(kù)的目錄名稱，如examples/mnist/mnist_train_lmdb

　　batch_size:每次處理的數(shù)據(jù)個(gè)數(shù)，如64

　　可選的參數(shù)：

　　rand_skip:在開始的時(shí)候，路過(guò)某個(gè)數(shù)據(jù)的輸入。通常對(duì)異步的SGD很有用。

　　backend:選擇是采用LevelDB還是LMDB,默認(rèn)是LevelDB.

　　示例：

　　layer{
　　name:"mnist"
　　type:"Data"
　　top:"data"
　　top:"label"
　　include{
　　phase:TRAIN
　　}
　　transform_param{
　　scale:0.00390625
　　}
　　data_param{
　　source:"examples/mnist/mnist_train_lmdb"
　　batch_size:64
　　backend:LMDB
　　}
　　}

　　2、數(shù)據(jù)來(lái)自于內(nèi)存

　　層類型：MemoryData

　　必須設(shè)置的參數(shù)：

　　batch_size：每一次處理的數(shù)據(jù)個(gè)數(shù)，比如2

　　channels：通道數(shù)

　　height：高度

　　width:寬度

　　示例：

　　layer{
　　top:"data"
　　top:"label"
　　name:"memory_data"
　　type:"MemoryData"
　　memory_data_param{
　　batch_size:2
　　height:100
　　width:100
　　channels:1
　　}
　　transform_param{
　　scale:0.0078125
　　mean_file:"mean.proto"
　　mirror:false
　　}
　　}
　　3、數(shù)據(jù)來(lái)自于HDF5
　　層類型：HDF5Data
　　必須設(shè)置的參數(shù)：
　　source:讀取的文件名稱
　　batch_size:每一次處理的數(shù)據(jù)個(gè)數(shù)

　　示例：

　　layer{
　　name:"data"
　　type:"HDF5Data"
　　top:"data"
　　top:"label"
　　hdf5_data_param{
　　source:"examples/hdf5_classification/data/train.txt"
　　batch_size:10
　　}
　　}

　　4、數(shù)據(jù)來(lái)自于圖片

　　層類型：ImageData

　　必須設(shè)置的參數(shù)：

　　source:一個(gè)文本文件的名字，每一行給定一個(gè)圖片文件的名稱和標(biāo)簽（label)

　　batch_size:每一次處理的數(shù)據(jù)個(gè)數(shù)，即圖片數(shù)

　　可選參數(shù)：

　　rand_skip:在開始的時(shí)候，路過(guò)某個(gè)數(shù)據(jù)的輸入。通常對(duì)異步的SGD很有用。

　　shuffle:隨機(jī)打亂順序，默認(rèn)值為false

　　new_height,new_width:如果設(shè)置，則將圖片進(jìn)行resize

　　示例：

　　layer{
　　name:"data"
　　type:"ImageData"
　　top:"data"
　　top:"label"
　　transform_param{
　　mirror:false
　　crop_size:227
　　mean_file:"data/ilsvrc12/imagenet_mean.binaryproto"
　　}
　　image_data_param{
　　source:"examples/_temp/file_list.txt"
　　batch_size:50
　　new_height:256
　　new_width:256
　　}
　　}

　　5、數(shù)據(jù)來(lái)源于Windows

　　層類型：WindowData

　　必須設(shè)置的參數(shù)：

　　source:一個(gè)文本文件的名字

　　batch_size:每一次處理的數(shù)據(jù)個(gè)數(shù)，即圖片數(shù)

　　示例：

　　layer{
　　name:"data"
　　type:"WindowData"
　　top:"data"
　　top:"label"
　　include{
　　phase:TRAIN
　　}
　　transform_param{
　　mirror:true
　　crop_size:227
　　mean_file:"data/ilsvrc12/imagenet_mean.binaryproto"
　　}
　　window_data_param{
　　source:"examples/finetune_pascal_detection/window_file_2007_trainval.txt"
　　batch_size:128
　　fg_threshold:0.5
　　bg_threshold:0.5
　　fg_fraction:0.25
　　context_pad:16
　　crop_mode:"warp"
　　}
　　}

　　綜上所述，這篇文章就給大家介紹到這里了，希望可以給大家?guī)?lái)幫助。

文章版權(quán)歸作者所有，未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。

轉(zhuǎn)載請(qǐng)注明本文地址：http://systransis.cn/yun/128774.html

發(fā)表評(píng)論

登陸后可評(píng)論

0條評(píng)論

89542767

男|高級(jí)講師

我要關(guān)注我要私信

TA的文章

pythontime控制模塊時(shí)間格式與結(jié)構(gòu)型時(shí)長(zhǎng)詳細(xì)說(shuō)明

閱讀 956·2023-01-14 11:38
OpenMV與JSON編碼問(wèn)題分析

閱讀 936·2023-01-14 11:04
python中的特性管理模式詳細(xì)說(shuō)明

閱讀 787·2023-01-14 10:48
Python運(yùn)用fastapi完成上傳圖片

閱讀 2157·2023-01-14 10:34
pythonopencv圖象高通濾波和低通濾波器的范例編碼

閱讀 1005·2023-01-14 10:24
Python根據(jù)ssh遠(yuǎn)程桌面連接Mysql數(shù)據(jù)庫(kù)操作

閱讀 895·2023-01-14 10:18
本文輕輕松松掌握Python中類的繼承

閱讀 545·2023-01-14 10:09
python中wordcloud組裝方式總結(jié)

閱讀 622·2023-01-14 10:02

成人国产在线小视频_日韩寡妇人妻调教在线播放_色成人www永久在线观看_2018国产精品久久_亚洲欧美高清在线30p_亚洲少妇综合一区_黄色在线播放国产_亚洲另类技巧小说校园_国产主播xx日韩_a级毛片在线免费

資訊專欄INFORMATION COLUMN

上云采購(gòu)季！| 2核2G4M爆款云服務(wù)器低至59元/年，更有多臺(tái)、長(zhǎng)期優(yōu)惠，快來(lái)選購(gòu)！

Caffe神經(jīng)網(wǎng)絡(luò)服務(wù)層及主要參數(shù)

相關(guān)文章

Caffe卷積神經(jīng)網(wǎng)絡(luò)視覺層Vision Layers及參數(shù)詳解

**基準(zhǔn)評(píng)測(cè)TensorFlow、Caffe等在三類流行深度神經(jīng)網(wǎng)絡(luò)上的表現(xiàn)**

caffe的python插口之手寫數(shù)字識(shí)別mnist案例

關(guān)于深度學(xué)習(xí)的框架、特征和挑戰(zhàn)

雅虎開源首個(gè)色情圖像檢測(cè)深度學(xué)習(xí)解決方案

發(fā)表評(píng)論

0條評(píng)論

89542767

男|高級(jí)講師

TA的文章

pythontime控制模塊時(shí)間格式與結(jié)構(gòu)型時(shí)長(zhǎng)詳細(xì)說(shuō)明

OpenMV與JSON編碼問(wèn)題分析

python中的特性管理模式詳細(xì)說(shuō)明

Python運(yùn)用fastapi完成上傳圖片

pythonopencv圖象高通濾波和低通濾波器的范例編碼

Python根據(jù)ssh遠(yuǎn)程桌面連接Mysql數(shù)據(jù)庫(kù)操作

本文輕輕松松掌握Python中類的繼承

python中wordcloud組裝方式總結(jié)

最新活動(dòng)

資訊專欄INFORMATION COLUMN

上云采購(gòu)季！| 2核2G4M爆款云服務(wù)器低至59元/年，更有多臺(tái)、長(zhǎng)期優(yōu)惠，快來(lái)選購(gòu)！

Caffe神經(jīng)網(wǎng)絡(luò)服務(wù)層及主要參數(shù)

相關(guān)文章

發(fā)表評(píng)論

0條評(píng)論

男|高級(jí)講師

TA的文章

最新活動(dòng)

上云采購(gòu)季！| 2核2G4M爆款云服務(wù)器低至59元/年，更有多臺(tái)、長(zhǎng)期優(yōu)惠，快來(lái)選購(gòu)！