【神经网络与深度学习】基于Windows+Caffe的Minst和CIFAR—10训练过程说明
来源:互联网 发布:算法导论第四章答案 编辑:程序博客网 时间:2024/05/16 07:56
Minst训练
我的路径:G:\Caffe\Caffe For Windows\examples\mnist
对于新手来说,初步完成环境的配置后,一脸茫然。不知如何跑Demo,有么有!那么接下来的教程就是我们这些新手的福利了。
第一步:如果前面的train_net.cpp编译通过了,那么这个就非常简单。Caffe训练和测试的数据都是需要leveldb格式的,niuzhiheng大牛已经给我们转好了MNIST的数据格式。如下图:
第二步:如上图所示,文件夹下有个get_mnist_leveldb.bat ,双击就可以下载到MNIS的leveldb文件。不能翻墙的,就到:http://download.csdn.net/detail/u012878523/8140305 下载吧。下载完 解压到…\examples\mnist 文件夹下。网络参数可以再lenet_train.prototxt中修改。GPU和CPU的切换在lenet_solver.prototxt中,打开后代码如下所示:
# The training protocol buffer definitiontrain_net: "lenet_train.prototxt"# The testing protocol buffer definitiontest_net: "lenet_test.prototxt"# test_iter specifies how many forward passes the test should carry out.# In the case of MNIST, we have test batch size 100 and 100 test iterations,# covering the full 10,000 testing images.test_iter: 100# Carry out testing every 500 training iterations.test_interval: 500# The base learning rate, momentum and the weight decay of the Network.base_lr: 0.01momentum: 0.9weight_decay: 0.0005# The learning rate policylr_policy: "inv"gamma: 0.0001power: 0.75# Display every 100 iterationsdisplay: 100# The maximum number of iterationsmax_iter: 10000# snapshot intermediate resultssnapshot: 5000snapshot_prefix: "lenet"# solver mode: CPU or GPUsolver_mode: GPU #两种方式二选一#solver_mode: CPU
第三步:双击train_lenet。bat就可以训练该网络。每500轮进行一次测试。Tset Score 0是正确率。Test Score 1是测试损失函数值。上两张训练图:
然后准确率的变化:
损失函数值的变化:
每迭代100次输出一次训练比率lr和训练损失函数值loss,模型的参数存储在lenet_iter_10000.solverstate中,然后这个模型就可以应用在新数据上了。
至此,minst的训练demo到此结束。然后试试cifar-10!
CIFAR-10 训练
第一步:数据库的说明:CIFAR-10
60000张 32X32 彩色图像 10类
50000张训练
10000张测试
附上一个的deeplearning的常用数据集下载链接,赶紧默默的收藏吧:
http://deeplearning.net/datasets/
这是binary格式的,所以我们要把它转换成leveldb格式。
第二步:(部分直接复制别人的,因为没看到原作者是谁,所以就不上链接了。)
/examples/cifar10文件夹中有一个 convert_cifar_data.cpp
将他include到MainCaller.cpp中。如下:
然后就编译,博主一次就通过了 ,在bin文件夹里出现convert_cifar_data.exe。
接下来就可以进行格式转换。binary→leveldb。可以在bin文件夹下新建一个input文件夹。将cifar10.binary文件放在input文件夹中,这样转换时就不用写路径了。
然后cmd进入bin文件夹,执行convert_cifar_data.exe后,在output文件夹下有cifar_train_leveldb和cifar_test_leveldb两个文件夹。里面是转化好的leveldb格式数据。
第三步:下面我们要求数据图像的均值编译../../tools/comput_image_mean.cpp
编译成功后,没有出现comput_image_mean.exe。没关系,我们还有maincaller.exe,接下来求mean
cmd进入bin,执行后,在bin文件夹下出现一个mean.binaryproto文件,这就是所需的均值文件。
第四步:训练cifar网络
在…/examples/cifar10文件夹里已经有网络的配置文件,我们只需要将cifar_train_leveldb和cifar_test_leveldb两个文件夹还有mean.binaryproto文件拷到cifar0文件夹下。
修改cifar10_quick_train.prototxt中的source: “cifar-train-leveldb” mean_file: “mean.binaryproto” 和cifar10_quick_test.prototxt中的source: “cifar-test-leveldb” mean_file: “mean.binaryproto”就可以了,
后面再训练就类似于MNIST的训练。写一个train_quick.bat,内容如下:
copy..//..//bin//MainCaller.exe..//..//bin//train_net.exeSETGLOG_logtostderr=1”../../bin/train_net.exe” cifar10_quick_solver.prototxt pause
先编译一遍 train_net.cpp
运行train_quick.bat,结果如下:
备注:
另外,更改cifar*solver.prototxt文件可以使用CPU训练,
solver mode: GPU
solver_mode: CPU
可以看看CPU和GPU训练的差别。
- 【神经网络与深度学习】基于Windows+Caffe的Minst和CIFAR—10训练过程说明
- Caffe for windows 训练minst和cifar-10
- caffe学习之训练与测试minst
- 【神经网络与深度学习】深度学习实战——caffe windows 下训练自己的网络模型
- Windows Caffe 学习笔记(一)训练和测试CIFAR-10数据集
- CIFAR-10在caffe上进行训练与学习
- Windows平台上Caffe的训练与学习方法(以数据库CIFAR-10为例)
- 【神经网络与深度学习】CIFAR-10数据集介绍
- CIFAR-10 在Caffe上训练学习
- 深度学习 caffe 建自己的数据库 训练一个自创卷积神经网络 过程总结
- 【神经网络与深度学习】【CUDA开发】【VS开发】Caffe+VS2013+CUDA7.5+cuDNN配置过程说明
- 【神经网络与深度学习】【CUDA开发】【VS开发】Microsoft官方移植了Caffe配置过程说明
- 【神经网络与深度学习】在Windows8.1上用VS2013编译Caffe并训练和分类自己的图片
- 【神经网络与深度学习】Caffe Model Zoo许多训练好的caffemodel
- caffe读书笔记1 CIFAR-10在caffe上进行训练与学习
- caffe读书笔记1 CIFAR-10在caffe上进行训练与学习
- Windows Caffe 学习笔记 CIFAR-10数据的格式转换
- 深度学习Caffe平台实例——CIFAR-10数据集在caffe平台上模型训练及实例使用模型进行预测
- 二分法,互动(猜长方形,cf 713B)
- LibGdx文档译读(十二) InputEventQueue类
- 【opencv练习37 - 多边形阴影绘制】
- BZOJ1725: [Usaco2006 Nov]Corn Fields牧场的安排 状压DP
- HTTP协议
- 【神经网络与深度学习】基于Windows+Caffe的Minst和CIFAR—10训练过程说明
- 第三周项目四--顺序表的应用问题2
- 从源码角度看Volley中图片加载ImageLoader的重复URL过滤功能
- JS-鼠标长按触发事件
- caffe学习笔记-深度网络优化过程中loss=nan
- Java异常处理和设计
- 50题(ACM学习推荐题)
- C语言 简单的 顺序表操作
- 重新学Android-Activity的生命周期