[caffe的python接口学习二]:生成配置文件
来源:互联网 发布:gta5低配优化 编辑:程序博客网 时间:2024/05/16 17:23
作者:JackGao16 CSDN
邮箱:gshuai16@mail.ustc.edu.cn
在完整的实现利用python接口对网络模型进行训练和推理之前,确定完成一下三个步骤(点击下面文字对应连接教程):
1、上一篇博客我们学习的如何配置caffe的Python接口。
2、图像数据转换成db(leveldb/lmdb)文件
3、计算图片数据的均值
上一篇博客的caffe的Python接口的配置、以及两个链接:图像数据转换成db(leveldb/lmdb)文件和计算图片数据的均值 是训练和预测之前的预处理操作,后面都会用到。
写配置文件
说明:
1、配置文件所针对的是mnist
2、训练数据lmdb文件保存位置在:/home/gaoshuai/caffe/examples/mnist/mnist_train_lmdb
3、测试数据lmdb文件保存位置在:/home/gaoshuai/caffe/examples/mnist/mnist_test_lmdb
4、生成的训练的配置文件保存位置在:/home/gaoshuai/caffe/examples/mnist/train.prototxt
5、生成的测试的配置文件保存位置在:/home/gaoshuai/caffe/examples/mnist/val.prototxt
具体的Python代码如下:
# -*- coding: utf-8 -*-"""Spyder Editor"""from caffe import layers as L,params as P,to_protopath='/home/gaoshuai/caffe/examples/mnist' #保存数据和配置文件的路径train_lmdb=path+'mnist_train_lmdb' #训练数据LMDB文件的位置val_lmdb=path+'mnist_test_lmdb' #验证数据LMDB文件的位置mean_file=path+'mean.binaryproto' #均值文件的位置train_proto=path+'train.prototxt' #生成的训练配置文件保存的位置val_proto=path+'val.prototxt' #生成的验证配置文件保存的位置#编写一个函数,用于生成网络def create_net(lmdb,batch_size,include_acc=False): #创建第一层:数据层。向上传递两类数据:图片数据和对应的标签 data, label = L.Data(source=lmdb, backend=P.Data.LMDB, batch_size=batch_size, ntop=2, transform_param=dict(crop_size=40,mean_file=mean_file,mirror=True)) #创建第二屋:卷积层 conv1=L.Convolution(data, kernel_size=5, stride=1,num_output=16, pad=2,weight_filler=dict(type='xavier')) #创建激活函数层 relu1=L.ReLU(conv1, in_place=True) #创建池化层 pool1=L.Pooling(relu1, pool=P.Pooling.MAX, kernel_size=3, stride=2) conv2=L.Convolution(pool1, kernel_size=3, stride=1,num_output=32, pad=1,weight_filler=dict(type='xavier')) relu2=L.ReLU(conv2, in_place=True) pool2=L.Pooling(relu2, pool=P.Pooling.MAX, kernel_size=3, stride=2) #创建一个全连接层 fc3=L.InnerProduct(pool2, num_output=1024,weight_filler=dict(type='xavier')) relu3=L.ReLU(fc3, in_place=True) #创建一个dropout层 drop3 = L.Dropout(relu3, in_place=True) fc4 = L.InnerProduct(drop3, num_output=10,weight_filler=dict(type='xavier')) #创建一个softmax层 loss = L.SoftmaxWithLoss(fc4, label) if include_acc: #在训练阶段,不需要accuracy层,但是在验证阶段,是需要的 acc = L.Accuracy(fc4, label) return to_proto(loss, acc) else: return to_proto(loss)def write_net(): #将以上的设置写入到prototxt文件 with open(train_proto, 'w') as f: f.write(str(create_net(train_lmdb,batch_size=64))) #写入配置文件 with open(val_proto, 'w') as f: f.write(str(create_net(val_lmdb,batch_size=32, include_acc=True)))if __name__ == '__main__': write_net()
通过执行上面的这个文件,就会得到两个配置文件:train.prototxt和val.prototxt,分别用于训练阶段和验证阶段。
可以参考链接:http://www.cnblogs.com/denny402/p/5679037.html
dnney的学习专栏,介绍的十分不错,也是我的入门教程
- [caffe的python接口学习二]:生成配置文件
- caffe python接口:配置文件的生成(二)
- caffe的python接口学习(1):生成配置文件
- caffe的python接口学习(1):生成配置文件
- caffe的python接口学习(1):生成配置文件
- caffe的python接口学习(1):生成配置文件
- caffe的python接口学习(1):生成配置文件
- caffe python接口:配置文件的生成
- Caffe——python接口学习(1):生成配置文件
- caffe for windows的python接口学习(2)生成配置文件
- 【caffe】caffe的python接口学习:生成solver文件
- caffe for windows的python接口学习(3):生成以原始图片作为输入的配置文件
- caffe的 MATLAB和python接口学习:生成deploy文件
- caffe的python接口学习(2):生成solver文件
- caffe的python接口学习(5):生成deploy文件
- caffe的python接口学习(2):生成solver文件
- caffe的python接口学习(5):生成deploy文件
- caffe的python接口学习(2):生成solver文件
- C#学习笔记_5.C#变量&常量
- 区分pop()和poll()
- tensorflow:激活函数(Activation Function)
- 【图论】图的遍历
- 2017年9月22日 15:41:26 又要开始搞php开发了
- [caffe的python接口学习二]:生成配置文件
- c# dataGridView绑定string数组数据源
- 描述cookies,sessionStorage和localStorage的区别
- LeetCode-Regular Expression Matching
- openSSL 公私钥加解密和签名验证
- iOS 整理基于socket集成Protobuf相关环境,以及将Protobuf文件转成OC文件,以及使用Protobuf
- Oracle的存储结构
- NYOJ 678 最小K个数之和
- JFinal+maven+freemarker 入门教程