程序博客网 > 虚拟币场外交易源码

mnist_train_test.prototxt代码解析

来源：互联网 发布：虚拟币场外交易源码 编辑：程序博客网 时间：2024/06/06 20:51

上一篇介绍了如何准备数据集，做好准备之后我们先看怎样对训练好的模型进行Testing。


先用手写体识别例子，MNIST是数据集（包括训练数据和测试数据），深度学习模型采用LeNet（具体介绍见http://yann.lecun.com/exdb/lenet/），由Yann LeCun教授提出。


如果你编译好了Caffe，那么在CAFFE_ROOT下运行如下命令：


[plain] view plain copy
 print?在CODE上查看代码片派生到我的代码片
  1. $ ./build/tools/caffe.bin test -model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel -gpu=0  

就可以实现Testing。参数说明如下：

转自：http://blog.csdn.net/kkk584520/article/details/41694301

test：表示对训练好的模型进行Testing，而不是training。其他参数包括train, time, device_query。

-model=XXX：指定模型prototxt文件，这是一个文本文件，详细描述了网络结构和数据集信息。我用的prototxt内容如下：

[plain] view plain copy
 print?在CODE上查看代码片派生到我的代码片
  1. name: "LeNet"  
  2. layers {  
  3.   name: "mnist"  
  4.   type: DATA  
  5.   top: "data"  
  6.   top: "label"  
  7.   data_param {  
  8.     source: "examples/mnist/mnist_train_lmdb"  
  9.     backend: LMDB  
  10.     batch_size: 64  
  11.   }  
  12.   transform_param {  
  13.     scale: 0.00390625  
  14.   }  
  15.   include: { phase: TRAIN }  
  16. }  
  17. layers {  
  18.   name: "mnist"  
  19.   type: DATA  
  20.   top: "data"  
  21.   top: "label"  
  22.   data_param {  
  23.     source: "examples/mnist/mnist_test_lmdb"  
  24.     backend: LMDB  
  25.     batch_size: 100  
  26.   }  
  27.   transform_param {  
  28.     scale: 0.00390625  
  29.   }  
  30.   include: { phase: TEST }  
  31. }  
  32.   
  33. layers {  
  34.   name: "conv1"  
  35.   type: CONVOLUTION  
  36.   bottom: "data"  
  37.   top: "conv1"  
  38.   blobs_lr: 1  
  39.   blobs_lr: 2  
  40.   convolution_param {  
  41.     num_output: 20  
  42.     kernel_size: 5  
  43.     stride: 1  
  44.     weight_filler {  
  45.       type: "xavier"  
  46.     }  
  47.     bias_filler {  
  48.       type: "constant"  
  49.     }  
  50.   }  
  51. }  
  52. layers {  
  53.   name: "pool1"  
  54.   type: POOLING  
  55.   bottom: "conv1"  
  56.   top: "pool1"  
  57.   pooling_param {  
  58.     pool: MAX  
  59.     kernel_size: 2  
  60.     stride: 2  
  61.   }  
  62. }  
  63. layers {  
  64.   name: "conv2"  
  65.   type: CONVOLUTION  
  66.   bottom: "pool1"  
  67.   top: "conv2"  
  68.   blobs_lr: 1  
  69.   blobs_lr: 2  
  70.   convolution_param {  
  71.     num_output: 50  
  72.     kernel_size: 5  
  73.     stride: 1  
  74.     weight_filler {  
  75.       type: "xavier"  
  76.     }  
  77.     bias_filler {  
  78.       type: "constant"  
  79.     }  
  80.   }  
  81. }  
  82. layers {  
  83.   name: "pool2"  
  84.   type: POOLING  
  85.   bottom: "conv2"  
  86.   top: "pool2"  
  87.   pooling_param {  
  88.     pool: MAX  
  89.     kernel_size: 2  
  90.     stride: 2  
  91.   }  
  92. }  
  93. layers {  
  94.   name: "ip1"  
  95.   type: INNER_PRODUCT  
  96.   bottom: "pool2"  
  97.   top: "ip1"  
  98.   blobs_lr: 1  
  99.   blobs_lr: 2  
  100.   inner_product_param {  
  101.     num_output: 500  
  102.     weight_filler {  
  103.       type: "xavier"  
  104.     }  
  105.     bias_filler {  
  106.       type: "constant"  
  107.     }  
  108.   }  
  109. }  
  110. layers {  
  111.   name: "relu1"  
  112.   type: RELU  
  113.   bottom: "ip1"  
  114.   top: "ip1"  
  115. }  
  116. layers {  
  117.   name: "ip2"  
  118.   type: INNER_PRODUCT  
  119.   bottom: "ip1"  
  120.   top: "ip2"  
  121.   blobs_lr: 1  
  122.   blobs_lr: 2  
  123.   inner_product_param {  
  124.     num_output: 10  
  125.     weight_filler {  
  126.       type: "xavier"  
  127.     }  
  128.     bias_filler {  
  129.       type: "constant"  
  130.     }  
  131.   }  
  132. }  
  133. layers {  
  134.   name: "accuracy"  
  135.   type: ACCURACY  
  136.   bottom: "ip2"  
  137.   bottom: "label"  
  138.   top: "accuracy"  
  139.   include: { phase: TEST }  
  140. }  
  141. layers {  
  142.   name: "loss"  
  143.   type: SOFTMAX_LOSS  
  144.   bottom: "ip2"  
  145.   bottom: "label"  
  146.   top: "loss"  
  147. }  

里面定义的网络结构如下图所示：



-weights=XXX：指定训练好的caffemodel二进制文件。如果你手头没有训练好的可以下载这个（http://download.csdn.net/detail/kkk584520/8219443）。

-gpu=0：指定在GPU上运行，GPUID=0。如果你没有GPU就去掉这个参数，默认在CPU上运行。


运行输出如下：

[plain] view plain copy
 print?在CODE上查看代码片派生到我的代码片
  1. I1203 18:47:00.073052  4610 caffe.cpp:134] Use GPU with device ID 0  
  2. I1203 18:47:00.367065  4610 net.cpp:275] The NetState phase (1) differed from the phase (0) specified by a rule in layer mnist  
  3. I1203 18:47:00.367269  4610 net.cpp:39] Initializing net from parameters:   
  4. name: "LeNet"  
  5. layers {  
  6.   top: "data"  
  7.   top: "label"  
  8.   name: "mnist"  
  9.   type: DATA  
  10.   data_param {  
  11.     source: "examples/mnist/mnist_test_lmdb"  
  12.     batch_size: 100  
  13.     backend: LMDB  
  14.   }  
  15.   include {  
  16.     phase: TEST  
  17.   }  
  18.   transform_param {  
  19.     scale: 0.00390625  
  20.   }  
  21. }  
  22. layers {  
  23.   bottom: "data"  
  24.   top: "conv1"  
  25.   name: "conv1"  
  26.   type: CONVOLUTION  
  27.   blobs_lr: 1  
  28.   blobs_lr: 2  
  29.   convolution_param {  
  30.     num_output: 20  
  31.     kernel_size: 5  
  32.     stride: 1  
  33.     weight_filler {  
  34.       type: "xavier"  
  35.     }  
  36.     bias_filler {  
  37.       type: "constant"  
  38.     }  
  39.   }  
  40. }  
  41. layers {  
  42.   bottom: "conv1"  
  43.   top: "pool1"  
  44.   name: "pool1"  
  45.   type: POOLING  
  46.   pooling_param {  
  47.     pool: MAX  
  48.     kernel_size: 2  
  49.     stride: 2  
  50.   }  
  51. }  
  52. layers {  
  53.   bottom: "pool1"  
  54.   top: "conv2"  
  55.   name: "conv2"  
  56.   type: CONVOLUTION  
  57.   blobs_lr: 1  
  58.   blobs_lr: 2  
  59.   convolution_param {  
  60.     num_output: 50  
  61.     kernel_size: 5  
  62.     stride: 1  
  63.     weight_filler {  
  64.       type: "xavier"  
  65.     }  
  66.     bias_filler {  
  67.       type: "constant"  
  68.     }  
  69.   }  
  70. }  
  71. layers {  
  72.   bottom: "conv2"  
  73.   top: "pool2"  
  74.   name: "pool2"  
  75.   type: POOLING  
  76.   pooling_param {  
  77.     pool: MAX  
  78.     kernel_size: 2  
  79.     stride: 2  
  80.   }  
  81. }  
  82. layers {  
  83.   bottom: "pool2"  
  84.   top: "ip1"  
  85.   name: "ip1"  
  86.   type: INNER_PRODUCT  
  87.   blobs_lr: 1  
  88.   blobs_lr: 2  
  89.   inner_product_param {  
  90.     num_output: 500  
  91.     weight_filler {  
  92.       type: "xavier"  
  93.     }  
  94.     bias_filler {  
  95.       type: "constant"  
  96.     }  
  97.   }  
  98. }  
  99. layers {  
  100.   bottom: "ip1"  
  101.   top: "ip1"  
  102.   name: "relu1"  
  103.   type: RELU  
  104. }  
  105. layers {  
  106.   bottom: "ip1"  
  107.   top: "ip2"  
  108.   name: "ip2"  
  109.   type: INNER_PRODUCT  
  110.   blobs_lr: 1  
  111.   blobs_lr: 2  
  112.   inner_product_param {  
  113.     num_output: 10  
  114.     weight_filler {  
  115.       type: "xavier"  
  116.     }  
  117.     bias_filler {  
  118.       type: "constant"  
  119.     }  
  120.   }  
  121. }  
  122. layers {  
  123.   bottom: "ip2"  
  124.   bottom: "label"  
  125.   top: "accuracy"  
  126.   name: "accuracy"  
  127.   type: ACCURACY  
  128.   include {  
  129.     phase: TEST  
  130.   }  
  131. }  
  132. layers {  
  133.   bottom: "ip2"  
  134.   bottom: "label"  
  135.   top: "loss"  
  136.   name: "loss"  
  137.   type: SOFTMAX_LOSS  
  138. }  
  139. I1203 18:47:00.367391  4610 net.cpp:67] Creating Layer mnist  
  140. I1203 18:47:00.367409  4610 net.cpp:356] mnist -> data  
  141. I1203 18:47:00.367435  4610 net.cpp:356] mnist -> label  
  142. I1203 18:47:00.367451  4610 net.cpp:96] Setting up mnist  
  143. I1203 18:47:00.367571  4610 data_layer.cpp:68] Opening lmdb examples/mnist/mnist_test_lmdb  
  144. I1203 18:47:00.367609  4610 data_layer.cpp:128] output data size: 100,1,28,28  
  145. I1203 18:47:00.367832  4610 net.cpp:103] Top shape: 100 1 28 28 (78400)  
  146. I1203 18:47:00.367849  4610 net.cpp:103] Top shape: 100 1 1 1 (100)  
  147. I1203 18:47:00.367863  4610 net.cpp:67] Creating Layer label_mnist_1_split  
  148. I1203 18:47:00.367873  4610 net.cpp:394] label_mnist_1_split <- label  
  149. I1203 18:47:00.367892  4610 net.cpp:356] label_mnist_1_split -> label_mnist_1_split_0  
  150. I1203 18:47:00.367908  4610 net.cpp:356] label_mnist_1_split -> label_mnist_1_split_1  
  151. I1203 18:47:00.367919  4610 net.cpp:96] Setting up label_mnist_1_split  
  152. I1203 18:47:00.367929  4610 net.cpp:103] Top shape: 100 1 1 1 (100)  
  153. I1203 18:47:00.367938  4610 net.cpp:103] Top shape: 100 1 1 1 (100)  
  154. I1203 18:47:00.367950  4610 net.cpp:67] Creating Layer conv1  
  155. I1203 18:47:00.367959  4610 net.cpp:394] conv1 <- data  
  156. I1203 18:47:00.367969  4610 net.cpp:356] conv1 -> conv1  
  157. I1203 18:47:00.367982  4610 net.cpp:96] Setting up conv1  
  158. I1203 18:47:00.392133  4610 net.cpp:103] Top shape: 100 20 24 24 (1152000)  
  159. I1203 18:47:00.392204  4610 net.cpp:67] Creating Layer pool1  
  160. I1203 18:47:00.392217  4610 net.cpp:394] pool1 <- conv1  
  161. I1203 18:47:00.392231  4610 net.cpp:356] pool1 -> pool1  
  162. I1203 18:47:00.392247  4610 net.cpp:96] Setting up pool1  
  163. I1203 18:47:00.392273  4610 net.cpp:103] Top shape: 100 20 12 12 (288000)  
  164. I1203 18:47:00.392297  4610 net.cpp:67] Creating Layer conv2  
  165. I1203 18:47:00.392307  4610 net.cpp:394] conv2 <- pool1  
  166. I1203 18:47:00.392318  4610 net.cpp:356] conv2 -> conv2  
  167. I1203 18:47:00.392330  4610 net.cpp:96] Setting up conv2  
  168. I1203 18:47:00.392669  4610 net.cpp:103] Top shape: 100 50 8 8 (320000)  
  169. I1203 18:47:00.392729  4610 net.cpp:67] Creating Layer pool2  
  170. I1203 18:47:00.392756  4610 net.cpp:394] pool2 <- conv2  
  171. I1203 18:47:00.392768  4610 net.cpp:356] pool2 -> pool2  
  172. I1203 18:47:00.392781  4610 net.cpp:96] Setting up pool2  
  173. I1203 18:47:00.392793  4610 net.cpp:103] Top shape: 100 50 4 4 (80000)  
  174. I1203 18:47:00.392810  4610 net.cpp:67] Creating Layer ip1  
  175. I1203 18:47:00.392819  4610 net.cpp:394] ip1 <- pool2  
  176. I1203 18:47:00.392832  4610 net.cpp:356] ip1 -> ip1  
  177. I1203 18:47:00.392844  4610 net.cpp:96] Setting up ip1  
  178. I1203 18:47:00.397348  4610 net.cpp:103] Top shape: 100 500 1 1 (50000)  
  179. I1203 18:47:00.397372  4610 net.cpp:67] Creating Layer relu1  
  180. I1203 18:47:00.397382  4610 net.cpp:394] relu1 <- ip1  
  181. I1203 18:47:00.397394  4610 net.cpp:345] relu1 -> ip1 (in-place)  
  182. I1203 18:47:00.397407  4610 net.cpp:96] Setting up relu1  
  183. I1203 18:47:00.397420  4610 net.cpp:103] Top shape: 100 500 1 1 (50000)  
  184. I1203 18:47:00.397434  4610 net.cpp:67] Creating Layer ip2  
  185. I1203 18:47:00.397442  4610 net.cpp:394] ip2 <- ip1  
  186. I1203 18:47:00.397456  4610 net.cpp:356] ip2 -> ip2  
  187. I1203 18:47:00.397469  4610 net.cpp:96] Setting up ip2  
  188. I1203 18:47:00.397532  4610 net.cpp:103] Top shape: 100 10 1 1 (1000)  
  189. I1203 18:47:00.397547  4610 net.cpp:67] Creating Layer ip2_ip2_0_split  
  190. I1203 18:47:00.397557  4610 net.cpp:394] ip2_ip2_0_split <- ip2  
  191. I1203 18:47:00.397565  4610 net.cpp:356] ip2_ip2_0_split -> ip2_ip2_0_split_0  
  192. I1203 18:47:00.397583  4610 net.cpp:356] ip2_ip2_0_split -> ip2_ip2_0_split_1  
  193. I1203 18:47:00.397593  4610 net.cpp:96] Setting up ip2_ip2_0_split  
  194. I1203 18:47:00.397603  4610 net.cpp:103] Top shape: 100 10 1 1 (1000)  
  195. I1203 18:47:00.397611  4610 net.cpp:103] Top shape: 100 10 1 1 (1000)  
  196. I1203 18:47:00.397622  4610 net.cpp:67] Creating Layer accuracy  
  197. I1203 18:47:00.397631  4610 net.cpp:394] accuracy <- ip2_ip2_0_split_0  
  198. I1203 18:47:00.397640  4610 net.cpp:394] accuracy <- label_mnist_1_split_0  
  199. I1203 18:47:00.397650  4610 net.cpp:356] accuracy -> accuracy  
  200. I1203 18:47:00.397661  4610 net.cpp:96] Setting up accuracy  
  201. I1203 18:47:00.397673  4610 net.cpp:103] Top shape: 1 1 1 1 (1)  
  202. I1203 18:47:00.397687  4610 net.cpp:67] Creating Layer loss  
  203. I1203 18:47:00.397696  4610 net.cpp:394] loss <- ip2_ip2_0_split_1  
  204. I1203 18:47:00.397706  4610 net.cpp:394] loss <- label_mnist_1_split_1  
  205. I1203 18:47:00.397714  4610 net.cpp:356] loss -> loss  
  206. I1203 18:47:00.397725  4610 net.cpp:96] Setting up loss  
  207. I1203 18:47:00.397737  4610 net.cpp:103] Top shape: 1 1 1 1 (1)  
  208. I1203 18:47:00.397745  4610 net.cpp:109]     with loss weight 1  
  209. I1203 18:47:00.397776  4610 net.cpp:170] loss needs backward computation.  
  210. I1203 18:47:00.397785  4610 net.cpp:172] accuracy does not need backward computation.  
  211. I1203 18:47:00.397794  4610 net.cpp:170] ip2_ip2_0_split needs backward computation.  
  212. I1203 18:47:00.397801  4610 net.cpp:170] ip2 needs backward computation.  
  213. I1203 18:47:00.397809  4610 net.cpp:170] relu1 needs backward computation.  
  214. I1203 18:47:00.397816  4610 net.cpp:170] ip1 needs backward computation.  
  215. I1203 18:47:00.397825  4610 net.cpp:170] pool2 needs backward computation.  
  216. I1203 18:47:00.397832  4610 net.cpp:170] conv2 needs backward computation.  
  217. I1203 18:47:00.397843  4610 net.cpp:170] pool1 needs backward computation.  
  218. I1203 18:47:00.397851  4610 net.cpp:170] conv1 needs backward computation.  
  219. I1203 18:47:00.397860  4610 net.cpp:172] label_mnist_1_split does not need backward computation.  
  220. I1203 18:47:00.397867  4610 net.cpp:172] mnist does not need backward computation.  
  221. I1203 18:47:00.397874  4610 net.cpp:208] This network produces output accuracy  
  222. I1203 18:47:00.397884  4610 net.cpp:208] This network produces output loss  
  223. I1203 18:47:00.397905  4610 net.cpp:467] Collecting Learning Rate and Weight Decay.  
  224. I1203 18:47:00.397915  4610 net.cpp:219] Network initialization done.  
  225. I1203 18:47:00.397923  4610 net.cpp:220] Memory required for data: 8086808  
  226. I1203 18:47:00.432165  4610 caffe.cpp:145] Running for 50 iterations.  
  227. I1203 18:47:00.435849  4610 caffe.cpp:169] Batch 0, accuracy = 0.99  
  228. I1203 18:47:00.435879  4610 caffe.cpp:169] Batch 0, loss = 0.018971  
  229. I1203 18:47:00.437434  4610 caffe.cpp:169] Batch 1, accuracy = 0.99  
  230. I1203 18:47:00.437471  4610 caffe.cpp:169] Batch 1, loss = 0.0117609  
  231. I1203 18:47:00.439000  4610 caffe.cpp:169] Batch 2, accuracy = 1  
  232. I1203 18:47:00.439020  4610 caffe.cpp:169] Batch 2, loss = 0.00555977  
  233. I1203 18:47:00.440551  4610 caffe.cpp:169] Batch 3, accuracy = 0.99  
  234. I1203 18:47:00.440575  4610 caffe.cpp:169] Batch 3, loss = 0.0412139  
  235. I1203 18:47:00.442105  4610 caffe.cpp:169] Batch 4, accuracy = 0.99  
  236. I1203 18:47:00.442126  4610 caffe.cpp:169] Batch 4, loss = 0.0579313  
  237. I1203 18:47:00.443619  4610 caffe.cpp:169] Batch 5, accuracy = 0.99  
  238. I1203 18:47:00.443639  4610 caffe.cpp:169] Batch 5, loss = 0.0479742  
  239. I1203 18:47:00.445159  4610 caffe.cpp:169] Batch 6, accuracy = 0.98  
  240. I1203 18:47:00.445179  4610 caffe.cpp:169] Batch 6, loss = 0.0570176  
  241. I1203 18:47:00.446712  4610 caffe.cpp:169] Batch 7, accuracy = 0.99  
  242. I1203 18:47:00.446732  4610 caffe.cpp:169] Batch 7, loss = 0.0272363  
  243. I1203 18:47:00.448249  4610 caffe.cpp:169] Batch 8, accuracy = 1  
  244. I1203 18:47:00.448269  4610 caffe.cpp:169] Batch 8, loss = 0.00680142  
  245. I1203 18:47:00.449801  4610 caffe.cpp:169] Batch 9, accuracy = 0.98  
  246. I1203 18:47:00.449821  4610 caffe.cpp:169] Batch 9, loss = 0.0288398  
  247. I1203 18:47:00.451352  4610 caffe.cpp:169] Batch 10, accuracy = 0.98  
  248. I1203 18:47:00.451372  4610 caffe.cpp:169] Batch 10, loss = 0.0603264  
  249. I1203 18:47:00.452883  4610 caffe.cpp:169] Batch 11, accuracy = 0.98  
  250. I1203 18:47:00.452903  4610 caffe.cpp:169] Batch 11, loss = 0.0524943  
  251. I1203 18:47:00.454407  4610 caffe.cpp:169] Batch 12, accuracy = 0.95  
  252. I1203 18:47:00.454427  4610 caffe.cpp:169] Batch 12, loss = 0.106648  
  253. I1203 18:47:00.455955  4610 caffe.cpp:169] Batch 13, accuracy = 0.98  
  254. I1203 18:47:00.455976  4610 caffe.cpp:169] Batch 13, loss = 0.0450225  
  255. I1203 18:47:00.457484  4610 caffe.cpp:169] Batch 14, accuracy = 1  
  256. I1203 18:47:00.457504  4610 caffe.cpp:169] Batch 14, loss = 0.00531614  
  257. I1203 18:47:00.459038  4610 caffe.cpp:169] Batch 15, accuracy = 0.98  
  258. I1203 18:47:00.459056  4610 caffe.cpp:169] Batch 15, loss = 0.065209  
  259. I1203 18:47:00.460577  4610 caffe.cpp:169] Batch 16, accuracy = 0.98  
  260. I1203 18:47:00.460597  4610 caffe.cpp:169] Batch 16, loss = 0.0520317  
  261. I1203 18:47:00.462123  4610 caffe.cpp:169] Batch 17, accuracy = 0.99  
  262. I1203 18:47:00.462143  4610 caffe.cpp:169] Batch 17, loss = 0.0328681  
  263. I1203 18:47:00.463656  4610 caffe.cpp:169] Batch 18, accuracy = 0.99  
  264. I1203 18:47:00.463676  4610 caffe.cpp:169] Batch 18, loss = 0.0175973  
  265. I1203 18:47:00.465188  4610 caffe.cpp:169] Batch 19, accuracy = 0.97  
  266. I1203 18:47:00.465208  4610 caffe.cpp:169] Batch 19, loss = 0.0576884  
  267. I1203 18:47:00.466749  4610 caffe.cpp:169] Batch 20, accuracy = 0.97  
  268. I1203 18:47:00.466769  4610 caffe.cpp:169] Batch 20, loss = 0.0850501  
  269. I1203 18:47:00.468278  4610 caffe.cpp:169] Batch 21, accuracy = 0.98  
  270. I1203 18:47:00.468298  4610 caffe.cpp:169] Batch 21, loss = 0.0676049  
  271. I1203 18:47:00.469805  4610 caffe.cpp:169] Batch 22, accuracy = 0.99  
  272. I1203 18:47:00.469825  4610 caffe.cpp:169] Batch 22, loss = 0.0448538  
  273. I1203 18:47:00.471328  4610 caffe.cpp:169] Batch 23, accuracy = 0.97  
  274. I1203 18:47:00.471349  4610 caffe.cpp:169] Batch 23, loss = 0.0333992  
  275. I1203 18:47:00.487124  4610 caffe.cpp:169] Batch 24, accuracy = 1  
  276. I1203 18:47:00.487180  4610 caffe.cpp:169] Batch 24, loss = 0.0281527  
  277. I1203 18:47:00.489002  4610 caffe.cpp:169] Batch 25, accuracy = 0.99  
  278. I1203 18:47:00.489048  4610 caffe.cpp:169] Batch 25, loss = 0.0545881  
  279. I1203 18:47:00.490890  4610 caffe.cpp:169] Batch 26, accuracy = 0.98  
  280. I1203 18:47:00.490932  4610 caffe.cpp:169] Batch 26, loss = 0.115576  
  281. I1203 18:47:00.492620  4610 caffe.cpp:169] Batch 27, accuracy = 1  
  282. I1203 18:47:00.492640  4610 caffe.cpp:169] Batch 27, loss = 0.0149555  
  283. I1203 18:47:00.494161  4610 caffe.cpp:169] Batch 28, accuracy = 0.98  
  284. I1203 18:47:00.494181  4610 caffe.cpp:169] Batch 28, loss = 0.0398991  
  285. I1203 18:47:00.495693  4610 caffe.cpp:169] Batch 29, accuracy = 0.96  
  286. I1203 18:47:00.495713  4610 caffe.cpp:169] Batch 29, loss = 0.115862  
  287. I1203 18:47:00.497226  4610 caffe.cpp:169] Batch 30, accuracy = 1  
  288. I1203 18:47:00.497246  4610 caffe.cpp:169] Batch 30, loss = 0.0116793  
  289. I1203 18:47:00.498785  4610 caffe.cpp:169] Batch 31, accuracy = 1  
  290. I1203 18:47:00.498817  4610 caffe.cpp:169] Batch 31, loss = 0.00451814  
  291. I1203 18:47:00.500329  4610 caffe.cpp:169] Batch 32, accuracy = 0.98  
  292. I1203 18:47:00.500349  4610 caffe.cpp:169] Batch 32, loss = 0.0244668  
  293. I1203 18:47:00.501878  4610 caffe.cpp:169] Batch 33, accuracy = 1  
  294. I1203 18:47:00.501899  4610 caffe.cpp:169] Batch 33, loss = 0.00285445  
  295. I1203 18:47:00.503411  4610 caffe.cpp:169] Batch 34, accuracy = 0.98  
  296. I1203 18:47:00.503429  4610 caffe.cpp:169] Batch 34, loss = 0.0566256  
  297. I1203 18:47:00.504940  4610 caffe.cpp:169] Batch 35, accuracy = 0.95  
  298. I1203 18:47:00.504961  4610 caffe.cpp:169] Batch 35, loss = 0.154924  
  299. I1203 18:47:00.506500  4610 caffe.cpp:169] Batch 36, accuracy = 1  
  300. I1203 18:47:00.506520  4610 caffe.cpp:169] Batch 36, loss = 0.00451233  
  301. I1203 18:47:00.508111  4610 caffe.cpp:169] Batch 37, accuracy = 0.97  
  302. I1203 18:47:00.508131  4610 caffe.cpp:169] Batch 37, loss = 0.0572309  
  303. I1203 18:47:00.509635  4610 caffe.cpp:169] Batch 38, accuracy = 0.99  
  304. I1203 18:47:00.509655  4610 caffe.cpp:169] Batch 38, loss = 0.0192229  
  305. I1203 18:47:00.511181  4610 caffe.cpp:169] Batch 39, accuracy = 0.99  
  306. I1203 18:47:00.511200  4610 caffe.cpp:169] Batch 39, loss = 0.029272  
  307. I1203 18:47:00.512725  4610 caffe.cpp:169] Batch 40, accuracy = 0.99  
  308. I1203 18:47:00.512745  4610 caffe.cpp:169] Batch 40, loss = 0.0258552  
  309. I1203 18:47:00.514317  4610 caffe.cpp:169] Batch 41, accuracy = 0.99  
  310. I1203 18:47:00.514338  4610 caffe.cpp:169] Batch 41, loss = 0.0752082  
  311. I1203 18:47:00.515854  4610 caffe.cpp:169] Batch 42, accuracy = 1  
  312. I1203 18:47:00.515873  4610 caffe.cpp:169] Batch 42, loss = 0.0283319  
  313. I1203 18:47:00.517379  4610 caffe.cpp:169] Batch 43, accuracy = 0.99  
  314. I1203 18:47:00.517398  4610 caffe.cpp:169] Batch 43, loss = 0.0112394  
  315. I1203 18:47:00.518925  4610 caffe.cpp:169] Batch 44, accuracy = 0.98  
  316. I1203 18:47:00.518946  4610 caffe.cpp:169] Batch 44, loss = 0.0413653  
  317. I1203 18:47:00.520457  4610 caffe.cpp:169] Batch 45, accuracy = 0.98  
  318. I1203 18:47:00.520478  4610 caffe.cpp:169] Batch 45, loss = 0.0501227  
  319. I1203 18:47:00.521989  4610 caffe.cpp:169] Batch 46, accuracy = 1  
  320. I1203 18:47:00.522009  4610 caffe.cpp:169] Batch 46, loss = 0.0114459  
  321. I1203 18:47:00.523540  4610 caffe.cpp:169] Batch 47, accuracy = 1  
  322. I1203 18:47:00.523561  4610 caffe.cpp:169] Batch 47, loss = 0.0163504  
  323. I1203 18:47:00.525075  4610 caffe.cpp:169] Batch 48, accuracy = 0.97  
  324. I1203 18:47:00.525095  4610 caffe.cpp:169] Batch 48, loss = 0.0450363  
  325. I1203 18:47:00.526633  4610 caffe.cpp:169] Batch 49, accuracy = 1  
  326. I1203 18:47:00.526651  4610 caffe.cpp:169] Batch 49, loss = 0.0046898  
  327. I1203 18:47:00.526662  4610 caffe.cpp:174] Loss: 0.041468  
  328. I1203 18:47:00.526674  4610 caffe.cpp:186] accuracy = 0.9856  
  329. I1203 18:47:00.526687  4610 caffe.cpp:186] loss = 0.041468 (* 1 = 0.041468 loss)  

0 0
虚拟币场外交易源码 虚拟币场外交易源码
原创粉丝点击
热门IT博客
python登录脚本python登录脚本
网络高手在线咨询黑客网络高手在线咨询黑客
什么是工业数据库
知天下事代表什么动物
linux虚拟机配置网络
木蚂蚁端口烈焰手游
免费话费软件下载
数控车8字螺纹编程实例
ubuntu rc0.d
mac拷视频宗卷
python的from import
java 判定法定节假日
linux exec命令符号
kiss me睫毛膏 知乎
java 1.5.0 07下载
校园网络管理方案
lol服务器ip 端口
sybase数据库启动
517网络加速器官网
php英文翻译接口
热门问题 老师的惩罚 人脸识别 我在镇武司摸鱼那些年 重生之率土为王 我在大康的咸鱼生活 盘龙之生命进化 天生仙种 凡人之先天五行 春回大明朝 姑娘不必设防，我是瞎子 支承滚轮轴承 滚针滚轮轴承 进口复合滚轮轴承 复合滚轮轴承型号 滚轮轴承价格 鼠标滚轮乱跳 重力式滚轮输送机 支撑滚轮轴承 组合滚轮轴承 不锈钢滚轮轴承 偏心滚轮轴承 进口金刚石滚轮 叉车门架滚轮轴承 新式滚轮送料机 非标滚轮轴承 橡胶滚轮轴承 螺栓型滚轮轴承规格 螺栓型轨迹滚轮滚针轴承 滚轮滚针轴承型号 滚轮轴承设计 复合滚轮轴承导轨 呼拉圈 滚轴云 滚轴 滚轴摊铺机 瑜伽滚轴 滚轴洗轮机 滚轴图片 泡沫滚轴 传送带滚轴 滚轴轮滑 滚轴式洗轮机 三滚轴混凝土摊铺机 球滚到一边去了 滚边 女配修仙女主滚边 女配修仙女主滚边 笑一场空 前妻有毒boss滚远点 前妻有毒b0ss滚远点 滚柱轴承 滚针

程序博客网，程序员的互联网技术博客家园。csdn论坛精品 msdn技术资料都在这里