如何利用Caffe训练ImageNet分类网络
来源:互联网 发布:sql重复的行无法删除 编辑:程序博客网 时间:2024/04/19 16:16
源文章:https://github.com/BVLC/caffe/tree/master/examples/imagenet
由于要使用Caffe进行深度学习的二次开发,所以找到上面这个如何训练网络的一些操作过程,不是每一句都翻译过来,但是终究不是原创,权当做自己的学习笔记。
==========================================
1.下载好来自ImageNet的training和validation数据集合;分别存放在如下的格式:
/path/to/imagenet/train/n01440764/n01440764_10026.JPEG
/path/to/imagenet/val/ILSVRC2012_val_00000001.JPEG
2. 进行一些预处理操作:
cd $CAFFE_ROOT/data/ilsvrc12/
./get_ilsvrc_aux.sh
3.训练数据和测试数据分别放在train.txt和val.txt中,里面有他们的文件和相对应的标签;
4. 最后作者把1000类的类名用0--999表示,他们相对应的类别名称则用synset_words.txt 来存储他们之间的映射。
5.作者提到怎么去是否应该先把图像都归一化到256*256中,作者提到用Mapreduce去加快这种过程;
也可以直接这么做:
for name in /path/to/imagenet/val/*.JPEG; do
convert -resize 256x256\! $name $name
Done
6.在 create_imagenet.sh中设置训练的参数,并在里面指定训练和测试的数据库路径,如果图像没有提前归一化到相同的大小,则需要加”RESIZE=true“,设置”GLOG_logtostderr=1 “表示了可以参考更多的信息,
在执行 ./create_imagenet.sh 之后会有新的数据文件生成:
ilsvrc12_train_leveldb 和 ilsvrc12_val_leveldb
7. 因为模型需要我们减去图像的均值,所以我们需要计算图像均值,在工具
tools/compute_image_mean.cpp 实现了这种操作,
或者可以直接用:
./make_imagenet_mean.sh 脚本来进行计算图像均值,并生成:
data/ilsvrc12/imagenet_mean.binaryproto 文件
8.定义网络的结构:imagenet_train_val.prototxt .
里面有两行指定了数据库和图像的路径
source: "ilvsrc12_train_leveldb"
mean_file:"../../data/ilsvrc12/imagenet_mean.binaryproto"
并且指定了 include { phase: TRAIN } or include { phase: TEST } .来区分训练和测试
9.关于输入层的不同:
训练数据中,,data项来自 ilsvrc12_train_leveldb 并且进行了随机镜像操作,测试数据中data项来自于ilsvrc12_val_leveldb 而没有进行随机镜像操作;
10.输出层的不同:
输出层都为 softmax_loss 层,在训练网络当中,用来计算损失函数,并且用来初始化BP过程,测试网络同样有一个第二个输出层,accuracy,它用来报告测试的精度,在训练的过程中,测试网络将实例化并且测试准确率,产成的命令行为:Test score #0: xxx and Test score #1: xxx 等。
11.运行网络,其中设置
每批batch为256个,运行450000次迭代,接近90次epoch;
每1000次迭代,就在用测试集进行测试;
设置初始的学习率为0.01,并且每100000次迭代中进行学习率下降,大概进行20次epoch;
每20次epoch就显示出一些数据信息;
网络训练的动量为0.9,权重衰减因子为0.0005,
每10000次迭代中,就生成当前状态的快照;
这些设置在 examples/imagenet/imagenet_solver.prototxt .中进行设置,并且同样我们需要指定文件的路径:
net: "imagenet_train_val.prototxt"
12.开始训练网络:
./train_imagenet.sh
13. 在K20中,每20个迭代花费36s,所以,一幅图像的一次前馈+反馈(FW+BW)大概需要7ms,前馈花费2.5ms,剩下的是反馈,
可以在 examples/net_speed_benchmark.cpp 中进行时间的查看;
14.因为我们有保存了快照,所以我们可以通过
./resume_training.sh 来进行resume恢复,脚本caffe_imagenet_train_1000.solverstate 保留了要恢复的所有信息,
15.总结,Caffe可以很方便进行通过设置文件的方式来进行设置不同的网络结构。
- 如何利用Caffe训练ImageNet分类网络
- 【Caffe实践】如何利用Caffe训练ImageNet分类网络
- Caffe实践】如何利用Caffe训练ImageNet分类网络
- 【caffe】用训练好的imagenet模型分类图像
- 【Caffe】训练ImageNet模型
- 【Caffe】训练ImageNet模型
- 【Caffe】训练ImageNet模型
- 【Caffe】训练ImageNet模型
- Caffe训练ImageNet
- pytorch训练imagenet分类
- Windows环境下使用 Caffe在ImageNet上训练网络
- caffe入门3:利用imagenet在caffe上训练自己的数据集
- 利用训练好的Caffe网络得到输入图像的分类
- 利用训练好的网络参数模型批量对文字分类(caffe)
- 使用现有的基于caffe训练好的imagenet model进行图片分类
- 使用caffe中的imagenet对自己的图片进行分类训练
- 使用caffe中的imagenet对自己的图片进行分类训练(超级详细版)
- caffe 进行自己的imageNet训练分类:loss一直是87.3365,accuracy一直是0
- 第七周 负数把正数赶出队列
- 微服务框架Spring Cloud介绍 Part3: Mysteam项目结构与开发用户注册服务
- Android app的文件目录
- 欢迎访问我的主页zhangdanyang.com
- 高效的最大公约数求解法
- 如何利用Caffe训练ImageNet分类网络
- 在线编程--全排列
- 组件使用component
- 儿子选择器 >
- 7.Operators Categories - 按目录分类的主要操作符列表
- linux 命令复制
- 重阳是最美的节日
- 算法导论---逆序对 p24题,2-4
- 在不同Activity之间传递数据的四种常用方法