caffe使用探析.pptxVIP

caffe使用 caffe基础 基本内容 接口 基本内容 Caffe架构： (1)、数据存储： Caffe通过”blobs”即以4维数组的方式存储和传递数据。Models是以Google Protocol Buffers的方式存储在磁盘上。大型数据存储在数据库中，有leveldb,lmdb两种。 Caffe存储、通信、信息操作作为Blobs。Blob是标准阵列和统一内存接口框架。Blob用来存储数据、参数以及loss。 批量图像数据，blob常规容量是图像数N*通道数K*图像高H*图像宽W blob存储两块内存：data和diff，前者是前向传播的正常数据，后者是通过网络计算的梯度。 (2)、层：一个Caffe层(Layer)是一个神经网络层的本质，它采用一个或多个blobs作为输入，并产生一个或多个blobs作为输出。 层的职责：前向传播，需要输入并产生输出； 反向传播，取梯度作为输出，通过参数和输入计算梯度。 layer层类型：卷积滤波、pool、取内积、应用非线性、sigmoid和其它元素 转换、归一化、载入数据，计算losses. 有三个至关重要的计算： (1) 、设置：初始化这个layer及在model初始化时连接一次； （2）、前向：从底部对于给定的输入数据计算输出并传送到顶端； （3）、反向：对于给定的梯度，顶端输出计算这个梯度到输入并传送到低端。 两函数执行：前向(forward)和反向(backward)函数 层的定义：层属性和层参数 (3)、网络和运行方式：Caffe保留所有的有向无环层图，确保正确的进行前向传播和反向传播。Caffe模型是终端到终端的机器学习系统。一个典型的网络Net开始于数据层，结束于loss层。 (4)、训练一个网络：Caffe训练一个模型(Model)靠快速、标准的随机梯度下降算法。 (5) Solver作用： Solver是Net的求解. 优化、创建learning训练网络、对网络进行评估； 调用forward/backward迭代优化和更新参数； 定期评估测试网络； Solver的每一次迭代执行： 调用网络forward计算输出和loss； 调用网络backward计算梯度； 按照solver方法，采用渐变进行参数更新; 按照学习率、历史和方法更新solver状态。 通过以上执行来获得所有的weights从初始化到learned model. caffe训练例子： 准备数据 重建lmdb/leveldb文件，caffe支持几种数据格式输入：images, leveldb, lmdb，hdf5 定义name.prototxt , name_solver.prototxt文件 训练模型(cmd命令调用caffe 的train函数） D:\caffe-windows\Build\x64\Release\caffe.exe train -solver=lenet_solver.prototxt pause 接口使用 MATLAB Python 命令行 python接口使用例子1 以一张图片卷积为例 输入图片：360*480（高，宽） 图片数据： 360*480*3 传入blog： 1*3*360*480 调用卷积操作：卷积核16*5*5 以一张图片卷积为例 输入图片：360*480（高，宽） 图片数据： 360*480*3 传入blog： 1*3*360*480 以一张图片卷积为例 输入图片：360*480（高，宽） 图片数据： 360*480*3 数据可视化 分类 调用已经训练好的模型分类： 网络模型：models/bvlc_reference_caffenet/deploy.prototxt 网络训练好的参数：models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel 分类图像：cat: 问题 MATLAB接口有问题，无法调用caffe类 对数据的读取还要在研究一下 模型训练上的收敛问题