工厂模式-CaffeNet训练
2024-10-01 00:56:04
参考链接：http://blog.csdn.net/lingerlanlan/article/details/32329761
RNN神经网络：http://nbviewer.ipython.org/github/BVLC/caffe/blob/master/examples/detection.ipynb
官方链接：http://nbviewer.ipython.org/github/BVLC/caffe/blob/master/examples/classification.ipynb
参考链接：http://suanfazu.com/t/caffe-shen-du-xue-xi-kuang-jia-shang-shou-jiao-cheng/281/3
模型定义中有一点比较容易被误解，信号在有向图中是自下而上流动的，并不是自上而下。
层的结构定义如下：
1
name:层名称 2
type:层类型 3
top:出口 4 bottom:入口
Each layer type defines three critical computations: setup, forward, andbackward.
- Setup: initialize the layer and its connections once at model initialization.
- Forward: given input from bottom compute the output and send to the top.
- Backward: given the gradient w.r.t. the top output compute the gradient w.r.t. to the input and send to the bottom. A layer with parameters computes the gradient w.r.t. to its parameters and stores it internally.
/home/wishchin/caffe-master/examples/hdf5_classification/train_val2.prototxt
name: "LogisticRegressionNet"
layer {
name: "data"
type: "HDF5Data"
top: "data"
top: "label"
include {
phase: TRAIN
}
hdf5_data_param {
source: "hdf5_classification/data/train.txt"
batch_size: 10
}
}
layer {
name: "data"
type: "HDF5Data"
top: "data"
top: "label"
include {
phase: TEST
}
hdf5_data_param {
source: "hdf5_classification/data/test.txt"
batch_size: 10
}
}
layer {
name: "fc1"
type: "InnerProduct"
bottom: "data"
top: "fc1"
param {
lr_mult: 1
decay_mult: 1
}
param {
lr_mult: 2
decay_mult: 0
}
inner_product_param {
num_output: 40
weight_filler {
type: "gaussian"
std: 0.01
}
bias_filler {
type: "constant"
value: 0
}
}
}
layer {
name: "relu1"
type: "ReLU"
bottom: "fc1"
top: "fc1"
}
layer {
name: "fc2"
type: "InnerProduct"
bottom: "fc1"
top: "fc2"
param {
lr_mult: 1
decay_mult: 1
}
param {
lr_mult: 2
decay_mult: 0
}
inner_product_param {
num_output: 2
weight_filler {
type: "gaussian"
std: 0.01
}
bias_filler {
type: "constant"
value: 0
}
}
}
layer {
name: "loss"
type: "SoftmaxWithLoss"
bottom: "fc2"
bottom: "label"
top: "loss"
}
layer {
name: "accuracy"
type: "Accuracy"
bottom: "fc2"
bottom: "label"
top: "accuracy"
include {
phase: TEST
}
}
关于参数与结果的关系：多次训练效果一直在0.7，后来改动了全链接层的初始化参数。高斯分布的标准差由0.001改为0.0001，就是调小了。
我的结果有点相似。
最新文章
- Json.Net 数据解析
- 用vs2008打开vs2012项目
- mybatis 插入日期类型精确到秒的有关问题
- 实例源码--Android手机狗(防盗)源码
- opencv学习笔记（02）——遍历图像（指针法）
- Node.js权威指南 (8) - 创建HTTP与HTTPS服务器及客户端
- 关于Javascript语言中this关键字（变量）的用法
- HTML5 Canvas 填充与描边(Fill And Stroke)
- osx launchpad删除图标
- 第6章 影响 MySQL Server 性能的相关因素
- Oracle02——oracle分页、子查询、集合运算、处理数据、创建和管理表和其他数据库对象
- JUnit单元测试教程（翻译自Java Code Geeks）
- UOJ #449. 【集训队作业2018】喂鸽子
- 痞子衡嵌入式：ARM Cortex-M文件那些事（4）- 可重定向文件(.o/.a)
- python3 + selenium 之元素定位
- SSH 公钥登录
- 云服务器 ECS Linux 系统安装图形化桌面 (centos7 ubuntu14)
- mongodb int字段的一个小坑
- redhat系统下三种主要的软件包安装方法
- TCP的那些事-2