资讯专栏INFORMATION COLUMN

上云采购季！| 2核2G4M爆款云服务器低至59元/年，更有多台、长期优惠，快来选购！

立即前往
首页/文章专栏/caffe的python插口形成环境变量学习培训

caffe的python插口形成环境变量学习培训

89542767 / 394人阅读

　　此篇文章主要是详细介绍了caffe的python插口形成环境变量学习培训，感兴趣的小伙伴可以参考借鉴一下，希望可以有一定的帮助，祝愿大家多多的发展，尽早涨薪


　　caffe是C++语言表达所写的，可能大家不太熟，所以想要更方便的编程语言来达到。caffe给予matlab接口和python插口，这几种语言表达就比较简单，并且很容易开展数据可视化，导致学习培训更为迅速，了解更加深刻。


　　一年前，我在学习CAFFE时，为了能加深记忆，所以写出了生活随笔，拥有多方面的caffe学习文章内容。大半年以往，好多人问起关于python插口和数据可视化的相关问题，如今有点儿空余时间，就再度写出某些生活随笔，各位一起学习。有一些重复具体内容，我也就不多说，如果你们感兴趣的话可换步：


　　上面这些实际操作全是练习以前的预备处理实际操作，不论是用哪种插口，都会用到。


　　要怎么写环境变量


　　最先，我们应该把握的，便是要怎么写环境变量，根据下方的编码去学习：

　　#-*-coding:utf-8-*-
　　"""
　　SpyderEditor
　　"""
　　fromcaffeimportlayersasL,paramsasP,to_proto
　　path='/home/xxx/data/'#保存数据和配置文件的路径
　　train_lmdb=path+'train_db'#训练数据LMDB文件的位置
　　val_lmdb=path+'val_db'#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
　　defcreate_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)
　　ifinclude_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)
　　returnto_proto(loss,acc)
　　else:
　　returnto_proto(loss)
　　defwrite_net():
　　#将以上的设置写入到prototxt文件
　　withopen(train_proto,'w')asf:
　　f.write(str(create_net(train_lmdb,batch_size=64)))
　　#写入配置文件
　　withopen(val_proto,'w')asf:
　　f.write(str(create_net(val_lmdb,batch_size=32,include_acc=True)))
　　if__name__=='__main__':
　　write_net()

　　根据以上这一文件信息实行，大家就能得到2个环境变量：train.prototxt和val.prototxt，各自用以练习环节和检验环节。


　　图片格式转换成LMDB文档


　　这种方法形成环境变量，务必有一个前提条件，便是首先要把原始图片转变成LMDB文档才能。假如我们已经将原始图片做成一个1个目录明细（txt文件，一列一张照片），则可以不LMDB文件格式做为录入数据，能用ImageData做为数据库键入，编码如下所示：


　　#-*-coding:utf-8-*-
　　fromcaffeimportlayersasL,paramsasP,to_proto
　　path='/home/xxx/data/'
　　train_list=path+'train.txt'
　　val_list=path+'val.txt'
　　train_proto=path+'train.prototxt'
　　val_proto=path+'val.prototxt'
　　defcreate_net(img_list,batch_size,include_acc=False):
　　data,label=L.ImageData(source=img_list,batch_size=batch_size,new_width=48,new_height=48,ntop=2,
　　transform_param=dict(crop_size=40,mirror=True))
　　conv1=L.Convolution(data,kernel_size=5,stride=1,num_output=16,pad=2,weight_filler=dict(type='xavier'))
　　relu1=L.ReLU(conv1,in_place=True)
　　pool1=L.Pooling(relu1,pool=P.Pooling.MAX,kernel_size=3,stride=2)
　　conv2=L.Convolution(pool1,kernel_size=53,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)
　　conv3=L.Convolution(pool2,kernel_size=53,stride=1,num_output=32,pad=1,weight_filler=dict(type='xavier'))
　　relu3=L.ReLU(conv3,in_place=True)
　　pool3=L.Pooling(relu3,pool=P.Pooling.MAX,kernel_size=3,stride=2)
　　fc4=L.InnerProduct(pool3,num_output=1024,weight_filler=dict(type='xavier'))
　　relu4=L.ReLU(fc4,in_place=True)
　　drop4=L.Dropout(relu4,in_place=True)
　　fc5=L.InnerProduct(drop4,num_output=7,weight_filler=dict(type='xavier'))
　　loss=L.SoftmaxWithLoss(fc5,label)
　　ifinclude_acc:
　　acc=L.Accuracy(fc5,label)
　　returnto_proto(loss,acc)
　　else:
　　returnto_proto(loss)
　　defwrite_net():
　　#
　　withopen(train_proto,'w')asf:
　　f.write(str(create_net(train_list,batch_size=64)))
　　#
　　withopen(val_proto,'w')asf:
　　f.write(str(create_net(val_list,batch_size=32,include_acc=True)))
　　if__name__=='__main__':
　　write_net()


　　即第1层从原来的Data类型，成了ImageData类型，不用LMDB文件或平均值文档，但是需要1个txt文件。

云服务器 GPU云服务器 Python环境变量 python环境变量设置 环境变量的配置 控制php的环境变量

文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。

转载请注明本文地址：https://www.ucloud.cn/yun/128811.html

相关文章

  • caffe的python插口形成solver文件详细说明学习培训

    　　本文主要是给大家介绍了caffe的python插口形成solver文件详细说明学习培训实例，感兴趣的小伙伴可以参考借鉴一下，希望可以有一定的帮助，祝愿大家多多的不断进步，尽早涨薪　　也有一些基本参数必须计算出来的，并不是乱设定。　　solver.prototxt的文件参数设置　　caffe在训练的时候，需要一些参数设置，我们一般将这些参数设置在一个叫solver.prototxt的文件里面，如...

    89542767 评论0 收藏0

  • caffe的python接口deploy形成caffemodel归类新的图片

    　　本文主要是给大家介绍了caffe的python插口生成deploy文件学习培训及其用练习好一点的实体模型（caffemodel）来归类新的图片实例详细说明，感兴趣的小伙伴可以参考借鉴一下，希望可以有一定的帮助，祝愿大家多多的发展，尽早涨薪　　caffe的python插口生成deploy文件　　假如要将练习好一点的实体模型用于检测新的图片，那必然必须得一个deploy.prototxt文件，这一...

    89542767 评论0 收藏0

  • caffe的python插口之手写数字识别mnist案例

    　　文中主要是给大家介绍了caffe的python插口之手写数字识别mnist案例详细说明，感兴趣的小伙伴可以参考借鉴一下，希望可以有一定的帮助，祝愿大家多多的发展，尽早涨薪　　论文引言　　机器学习第一个案例一般都是是mnist，只需这个案例彻底搞懂了，其他的便是触类旁通的事了。因为字数缘故，文中不简单介绍环境变量里边每一个指标的具体函义，如果要搞明白的，请参考我之前的微博文章：　　数据访问层及主...

    89542767 评论0 收藏0

  • python格式Caffe图片数据信息均值测算学习培训

    　　此篇文章关键给大家介绍了python格式Caffe图片数据信息均值测算学习培训实例详细说明，感兴趣的小伙伴可以参考借鉴一下，希望可以一些帮助，祝愿大家多多的发展，尽早涨薪　　前言　　照片减掉均值后，然后再进行练习和检测，也会提高速度与精密度。因而，通常在各类实体模型中都有这种操作。　　那么这样的均值是怎么来的呢，实际上是测算全部svm分类器的均值，计算出来后，储存为均值文档，在今后的检测中，就...

    89542767 评论0 收藏0

  • caffe的python插口制作loss和accuracy曲线图

    　　此篇文章主要是给大家介绍了caffe的python插口制作loss和accuracy曲线图实例详细说明，感兴趣的小伙伴可以参考借鉴一下，希望可以有一定的帮助，祝愿大家多多的发展，尽早涨薪　　前言　　使用python插口来运行caffe程序流程，根本原因是python很容易数据可视化。所以才建议大家在cmd下边运行python程序流程。如果一定要在cmd下边运作，不如直接用c++算了。　　强烈推...

    89542767 评论0 收藏0

发表评论

登陆后可评论

0条评论

89542767

男|高级讲师
我要私信

TA的文章

阅读更多
最新活动
阅读需要支付1元查看
<