深度学习框架caffe的学习要点.pptVIP

深度学习框架caffe的介绍 Robothy 1.1caffe产生 提出了一个很好的概率框架来表达人的行为 但是因为图像上提取的特征比较弱， 可以外推的结果比较有限。 NVIDIA赠送GPU 贾扬清 1.2Caffe的特点 上手快 跨平台 社区好 开放性 速度快 2.1硬件配置与操作系统 处理器：Intel(R) Core(TM) i5-3230M CPU @ 2.60GHz 内存：4GB 操作系统：Ubuntu14.04 64bit 磁盘：安装磁盘空间为100GB 2.2依赖库与工具 依赖包：lprotobuf leveldb snappy opencv hdf5-serial protobuf-compiler boost 工具：google-glog、google-gflag、git 2.3 核心软件的安装 lmdb OpenCV Caffe git clone 3.1 mnist数据集 手写数字图片 60000张训练库图片 10000张测试库图片 ./get_mnist.sh 3.2mnist数据集的格式转换 3.3全局参数配置（lenet_solver.prototxt） 3.4 LeNet网络（lenet_train_test.prototxt） layer { name: mnist type: Data transform_param { scale: 0 } data_param { source: mnist_train_lmdb backend: LMDB batch_size: 64 } top: data top: label } layer { name: conv1 type: Convolution param { lr_mult: 1 } param { lr_mult: 2 } convolution_param { num_output: 20 kernel_size: 5 stride: 1 weight_filler { type: xavier } bias_filler { type: constant } } bottom: data top: conv1 } 3.5 训练与测试 I0614 00:40:08.291082 7064 sgd_solver.cpp:106] Iteration 100, lr = 0I0614 00:40:17.023165 7064 solver.cpp:228] Iteration 200, loss = 0.143513 I0614 00:40:17.023233 7064 solver.cpp:244] Train net output #0: loss = 0.143513 (* 1 = 0.143513 loss) I0614 00:40:17.023252 7064 sgd_solver.cpp:106] Iteration 200, lr = 0I0614 00:40:25.631428 7064 solver.cpp:228] Iteration 300, loss = 0.162749 I0614 00:40:25.631542 7064 solver.cpp:244] Train net output #0: loss = 0.162749 (* 1 = 0.162749 loss) I0614 00:40:25.631561 7064 sgd_solver.cpp:106] Iteration 300, lr = 0I0614 00:40:34.705716 7064 solver.cpp:228] Iteration 400, loss = 0.0588523 I0614 00:40:34.705777 7064 solver.cpp:244] Train net output #0: loss = 0.0588523 (* 1 = 0.0588523 loss) mnist训练时间约20min 4 caffe的应用实例——识别一张动物图片 采用已训练好模型： ImageNet d o g 测试对象： Model Zoo 测试结果： 博美犬 威尔士柯基犬 碟耳长毛玩赏小狗 吉娃娃（一种产于墨西哥的狗） 未成功安装GPU驱动程序，模型的训练是通过CPU进行运算 未深入研究caffe所应用到的深度学习网络模型 未研究深度学习相关数