caffeine框架,caffe谁开发的

　　这个时候应该是一副吐血的表情，一副疲惫的表情(坐在电脑前一下午一整夜)。

　　然而，鹅的事情没有取得任何进展。

　　在得知服务器已经安装了caffe之后，运行起来还是没有预想的那么流畅。

　　进口caffe一开始就有问题(救命！)

　　先贴一个hmdmt的专栏吧。也挺详细的。

　　https://www.cnblogs.com/denny402/tag/caffe/

　　首先，我是在ubuntu上做的，但是遇到了似乎是内存不足的问题。

　　所以我才换了服务器。(不过我也有点怀疑，是不是文件设置错了，因为之前按照这个代码找别的模型记忆训练还是可以的。)

　　老师提供的服务器配置还是很强大的，用的是CentOS 6系统。

　　虽然配置很好，但是由于各种原因，安装的软件一般不是最新版本或者没有更新。

　　这就导致了我在导入caffe时遇到的第二个问题(第一个问题是找不到Caffe的型号，在~里加一行。/bashrc

　　导出python path=/home/Zheng zhi Huang/caffe/python:$ python path

　　解决了)

　　有一个奇怪的语法错误！(忘记截图了。反正这是个很少见的错误，所以我把百度必应搜了个遍都没有和我一样的问题。)

　　但是在网上遍历了热心网友的各种错误后，突然觉得python版本和caffe不兼容。

　　因为caffe的配置一般用python2.7或者python3，但是我输入python指令后显示的当前版本是2.6。

　　当我决定更新python的版本时，突然发现系统中已经有Python 2.7版本了(嘻嘻)

　　它不是默认的python版本，所以当我使用python2.7命令运行。py文件，我跳过了语法错误(耶)

　　虽然服务器配置很强大，但是训练模型还是运行了3个小时。

　　模型训练完成后，您可以开始测试测试集中没有的其他图片。

　　但是在此之前，您必须为教师创建一个部署文件。需要注意的是，你需要根据你图片的大小来改变他输入dim的值。

　　否则，将出现以下错误。

　　无法从层“InnerProduct1”复制param 0权重；形状不匹配。源参数形状是500 744200(372100000)；目标参数形状为500 800 (400000)。要从头开始学习该层的参数，而不是从保存的网络中复制，请重命名该层。

　　Post一个批量测试文件(python)只是对denny的单次测试做了一些改动。

　　# coding=utf-8 import cv2 import OS import caffe import numpy as NP root=/home/zhengzhi Huang/ # root Deploy=root mnist/Deploy . proto txt # Deploy file caffe _ model=root mnist/lenet _ ITER _ 9380 . caffe model # trained caffe model # img=root mnist/test/8/8(1)。png #随机找到一张待测图片rootdir=root mnist/Test/#待测图片labels _ filename=root mnist/Test/labels . txt #类别名称文件，将数字标签转换回类别名称net=caffe.net(deploy，caffe _ model，caffe。TEST) #加载模型和网络#图像预处理设置transformer=caffe . io . transformer({ data :net . blobs[ data ]。data.shape}) #设置图像的形状格式(1，3，28，28)transformer . Set _ transpose( data ，(2，0，1)) #将原图片的维数顺序从(28，28，3)改为(3，28，28) # transformer.set _ mean (data ，NP。LOAD (mean _ file)。均值(1)。Mean (1)) #减去平均值。之前训练模型的时候没有减去均值这一项，所以不需要transformer . set _ raw _ scale( data ，255) #缩放到transformer . set _ channel _ swap between[0，255] (2，1，0)) #交换通道，把图片从RGB换成BGR # # # list 1=OS . list dir(rootdir)right=0.0 total=0.0 chance=0.0 for I in range(0，len(list 1)):path=OS . path . join(rootdirCOLOR_BGR2GRAY)ret，img _ binary=cv2 . threshold(gray image，127，255，cv2。THRESH _ BINARY)cv2 . im write(Img dir，Img _ BINARY)im=caffe . io . Load _ image(Img dir)# Load image net . blobs[ data ]。数据[.]=transformer.preprocess (data ，im) #执行上面设置的图片预处理操作，将图片加载到blob # execute test out=net . forward()labels=NP . load txt(labels _ filename，str，delimiter= \ T) #读取类别名文件prob=net.blobs [Softmax1]。数据[0]。flatten () #取出最后一层(softmax)属于某个类别的概率值，打印print pro border=prob . arg sort()[-1]#要对概率值进行排序，取出序号# print 类是：最大值所在的地方，labels [order] #并将序号转换为对应的类别名，打印if Labels[order]==list 1[I]:right=right 1 else:print list 2[j]，Labels[order]total=total 1 chance=right/total print right是：，则

　　准确率只有0.5，算了吧。

　　但是.事情远没有结束。

　　你找到了吗？错就错在没有把目标识别为目标。

　　而且我在测量所有图片的时候，发现它把所有图片都识别为target！

　　所以没有目标是完全错误的，emmmm

　　在csdn上找了很多博客，对比mnist数字识别实例，发现

　　类别名称只能使用从0开始的数字！

　　解决这个问题后

　　同样，损失值分别稳定在87.33和0.69。

　　稳定在87.33降低初始学习率，稳定在0.69 …

　　也就是说这个网络无法收敛。

　　我们只能寻找其他方法来提高识别准确率。

　　《番外》

　　顺便用CentOS6录坑。

　　这个系统不能通过换档来切换全角和半角。

　　以至于我不得不在网上搜索并粘贴它，以便键入冒号、括号和美元符号.

　　直到有一天我终于想出了真正的捷径crtl shift。

　　复制ctrl fn c粘贴ctrl fn v

　　好多了！

　　然而，现在我发现普通指令不能处理这些普通指令的原因是：

　　因为我的运行平台——Mac Parallels Desktop Windows 10 CentOS

　　事实上，在一个通用的Windows远程连接服务器中，通用的指令可以工作。

　　出口

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。