ubuntu下caffe手写数字识别问题、python接口测试
来源：互联网 发布：龙岗淘宝培训 编辑：程序博客网 时间：2024/04/30 05:32
下面这串代码mnist.py主要是生成一些相关的文件如train.prototxt/test.prototxt、solver.prototxt等 感谢两位博主
http://www.cnblogs.com/denny402/p/5684431.html
http://blog.csdn.net/houwenbin1986/article/details/52956101#
# -*- coding: utf-8 -*-import syssys.path.append('/home/xhj/caffe/python') #导入caffe路径import caffefrom caffe import layers as L,params as P,proto,to_proto#设定文件的保存路径root='/home/xhj/caffe/examples/mnist/trainList/mnist/' #根目录train_list=root+'mnist/train/train.txt' #训练图片列表test_list=root+'mnist/test/test.txt' #测试图片列表train_proto=root+'mnist/train.prototxt' #训练配置文件test_proto=root+'mnist/test.prototxt' #测试配置文件solver_proto=root+'mnist/solver.prototxt' #参数文件#编写一个函数，生成配置文件prototxtdef Lenet(img_list,batch_size,include_acc=False): #第一层，数据输入层，以ImageData格式输入 data, label = L.ImageData(source=img_list, batch_size=batch_size, ntop=2,root_folder=root, transform_param=dict(scale= 0.00390625)) #第二层：卷积层 conv1=L.Convolution(data, kernel_size=5, stride=1,num_output=20, pad=0,weight_filler=dict(type='xavier')) #池化层 pool1=L.Pooling(conv1, pool=P.Pooling.MAX, kernel_size=2, stride=2) #卷积层 conv2=L.Convolution(pool1, kernel_size=5, stride=1,num_output=50, pad=0,weight_filler=dict(type='xavier')) #池化层 pool2=L.Pooling(conv2, pool=P.Pooling.MAX, kernel_size=2, stride=2) #全连接层 fc3=L.InnerProduct(pool2, num_output=500,weight_filler=dict(type='xavier')) #激活函数层 relu3=L.ReLU(fc3, in_place=True) #全连接层 fc4 = L.InnerProduct(relu3, num_output=10,weight_filler=dict(type='xavier')) #softmax层 loss = L.SoftmaxWithLoss(fc4, label) if include_acc: # test阶段需要有accuracy层 acc = L.Accuracy(fc4, label) return to_proto(loss, acc) else: return to_proto(loss)def write_net(): #写入train.prototxt with open(train_proto, 'w') as f: f.write(str(Lenet(train_list,batch_size=64))) #写入test.prototxt with open(test_proto, 'w') as f: f.write(str(Lenet(test_list,batch_size=100, include_acc=True)))#编写一个函数，生成参数文件def gen_solver(solver_file,train_net,test_net): s=proto.caffe_pb2.SolverParameter() s.train_net =train_net s.test_net.append(test_net) s.test_interval = 938 #60000/64，测试间隔参数：训练完一次所有的图片，进行一次测试 s.test_iter.append(500) #50000/100 测试迭代次数，需要迭代500次，才完成一次所有数据的测试 s.max_iter = 9380 #10 epochs , 938*10，最大训练次数 s.base_lr = 0.01 #基础学习率 s.momentum = 0.9 #动量 s.weight_decay = 5e-4 #权值衰减项 s.lr_policy = 'step' #学习率变化规则 s.stepsize=3000 #学习率变化频率 s.gamma = 0.1 #学习率变化指数 s.display = 20 #屏幕显示间隔 s.snapshot = 938 #保存caffemodel的间隔 s.snapshot_prefix = root+'mnist/lenet' #caffemodel前缀 s.type ='SGD' #优化算法 s.solver_mode = proto.caffe_pb2.SolverParameter.GPU #加速 #写入solver.prototxt with open(solver_file, 'w') as f: f.write(str(s))def training(solver_proto): #caffe.set_device(0) #caffe.set_mode_gpu() caffe.set_mode_cpu() solver = caffe.SGDSolver(solver_proto) solver.solve()if __name__ == '__main__': write_net() gen_solver(solver_proto,train_proto,test_proto) training(solver_proto)2、训练好模型后，生成识别用的网络模型mkdeploy.py
# -*- coding: utf-8 -*-import syssys.path.append('/home/xhj/caffe/python')import caffefrom caffe import layers as L,params as P,to_protoroot = '/home/xhj/caffe/examples/mnist/trainList/mnist/'deploy = root+'mnist/deploy.prototxt' #文件保存路径def create_deploy(): #少了第一层，data层 conv1 = L.Convolution(bottom='data', kernel_size=5, stride=1,num_output=20, pad=0,weight_filler=dict(type='xavier')) pool1 = L.Pooling(conv1, pool=P.Pooling.MAX, kernel_size=2, stride=2) conv2 = L.Convolution(pool1, kernel_size=5, stride=1,num_output=50, pad=0,weight_filler=dict(type='xavier')) pool2 = L.Pooling(conv2, pool=P.Pooling.MAX, kernel_size=2, stride=2) fc3 = L.InnerProduct(pool2, num_output=500,weight_filler=dict(type='xavier')) relu3 = L.ReLU(fc3, in_place=True) fc4 = L.InnerProduct(relu3, num_output=10,weight_filler=dict(type='xavier')) #最后没有accuracy层，但有一个Softmax层 prob = L.Softmax(fc4) return to_proto(prob)def write_deploy(): with open(deploy, 'w') as f: f.write('name:"Lenet"\n') f.write('input:"data"\n') f.write('input_dim:1\n') f.write('input_dim:3\n') f.write('input_dim:28\n') f.write('input_dim:28\n') f.write(str(create_deploy()))if __name__ == '__main__': write_deploy()然后测试自己的手写代码#coding=utf-8 import caffe import numpy as np root = 'D:/MyWorks/caffe-windows-master/examples/lenet5/' #根目录 deploy = root + 'mnist/deploy.prototxt' #deploy文件 caffe_model = root + 'mnist/lenet_iter_9380.caffemodel' #训练好的 caffemodel img = root + 'mnist/test/9/00479.png' #随机找的一张待测图片 labels_filename = root + 'mnist/test/labels.txt' #类别名称文件，将数字标签转换回类别名称 net = caffe.Net(deploy,caffe_model,caffe.TEST) #加载model和network #图片预处理设置 transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape}) #设定图片的shape格式(1,3,28,28) transformer.set_transpose('data', (2,0,1)) #改变维度的顺序，由原始图片(28,28,3)变为(3,28,28) #transformer.set_mean('data', np.load(mean_file).mean(1).mean(1)) #减去均值，前面训练模型时没有减均值，这儿就不用 transformer.set_raw_scale('data', 255) # 缩放到【0，255】之间 transformer.set_channel_swap('data', (2,1,0)) #交换通道，将图片由RGB变为BGR im = caffe.io.load_image(img) #加载图片 net.blobs['data'].data[...] = transformer.preprocess('data',im) #执行上面设置的图片预处理操作，并将图片载入到blob中 #执行测试 out = net.forward() labels = np.loadtxt(labels_filename, str, delimiter='\t') #读取类别名称文件 prob= net.blobs['Softmax1'].data[0].flatten() #取出最后一层（Softmax）属于某个类别的概率值，并打印 print prob order=prob.argsort()[-1] #将概率值排序，取出最大值所在的序号 print 'the class is:',labels[order] #将该序号转换成对应的类别名称，并打印
0 0
- ubuntu下caffe手写数字识别问题、python接口测试
- caffe识别手写数字
- caffe的python接口学习（4）：mnist实例---手写数字识别
- caffe的python接口学习（4）：mnist实例---手写数字识别
- caffe的python接口学习（4）：mnist实例---手写数字识别
- Caffe——Python接口学习（4）：mnist实例——手写数字识别
- 减少caffe依赖库的手写数字识别测试
- Caffe学习-手写数字识别
- Caffe学习-手写数字识别
- Caffe学习-手写数字识别
- Caffe学习-手写数字识别
- 手把手教你搭建caffe及手写数字识别（Ubuntu下且附mac、纯通俗教程）
- caffe使用lenet5识别手写数字
- caffe MNIST手写数字识别例程
- caffe跑mnist手写数字识别
- Caffe学习（二）Mnist手写数字识别测试与分析
- Ubuntu下安装caffe的Python接口
- Windows下利用caffe训练印刷体数字并识别测试
- C#中如何使label控件背景于pictureBox控件的背景融合
- 适配器模式详解
- 入一行字符，分别统计出其中英文字母、空格、数字和其它字符的个数
- Azure连接2个虚拟网络
- CSS 多类选择器
- ubuntu下caffe手写数字识别问题、python接口测试
- curl命令
- 自动执行和管理 Windows 操作系统部署
- python 低通滤波
- Nginx的配置和用Upstream负载均衡总结
- 关于An association from the table xxx refers to an unmapped class xx
- ubuntu更新源配置
- 《SQL必知必会》（8-15）
- 《从零开始学Swift》学习笔记（Day 49）——扩展声明
