Понедельник, 21 октября 2019

caffe cnn 예제

114

큰 이미지 데이터 집합으로 Caffe에 피드하려면 데이터 집합에 LMDB 형식을 사용하는 것이 좋습니다. 우리는 이미 카페 폴더에 스크립트의 예가 (난 당신이 당신의 컴퓨터에 내장 된 카페가 가정) 여기에 카페 / 예제 / imagenet / create_imagenet.sh. 스냅샷에는 .caffemodel 확장이 있습니다. 예를 들어 10000개의 반복 스냅숏이 호출됩니다. Alex Krizhevsky의 cuda-convnet은 CIFAR-10에서 좋은 성능을 발휘하기 위한 모델 정의, 매개 변수 및 교육 절차를 자세히 설명합니다. 이 예제는 카페에서 그의 결과를 재현합니다. 여기에서 prototxt 파일: http://caffe.berkeleyvision.org/tutorial/layers.html 다른 매개 변수에 대해 자세히 확인할 수 있습니다. 모델/bvlc_googlenet/quick_solver.prototxt에서 네트워크 교육의 매개 변수를 변경할 수 있습니다( 학습 속도, 체중 감소 등). 먼저 파이썬 레이어가 활성화 및 pycaffe 경로와 우분투 또는 맥 OS에 내 튜토리얼에 따라 카페를 설치 올바르게 수출 PYTHONPATH =~/기술 / 카페 / 파이썬 / $PYTHONPATH 설정합니다. 교육 단계 후에는 .caffemodel 학습된 모델을 사용하여 보이지 않는 새 데이터를 예측합니다. 우리는 이것에 파이썬 스크립트를 작성합니다. 교육 과정에서 손실및 모델 정확도를 모니터링해야 합니다. Ctrl+c.

Caffe를 눌러 언제든지 프로세스를 중지할 수 있습니다. CIFAR-10 모델은 컨볼루션, 풀링, 정류 선형 단위(ReLU) 비선형 및 로컬 대비 정규화를 구성하는 CNN으로, 그 위에 선형 분류기가 있습니다. CAFFE_ROOT/예제/cifar10 디렉토리의 cifar10_quick_train_test.prototxt에서 모델을 정의했습니다. 우리는 원래 bvlc_reference_caffenet prototxt 파일 아래수정을 할 필요가 : 카페 / 모델에서 네트워크 아키텍처 파일을 엽니 다. 다음 코드 조각에서 대담한 것 들을 변경 해야: 이미지의 크기 (RESIZE=true에서) 및 LMDB 이미지경로 ($EXAMPLE/dogs_train_lmdb에서, $EXAMPLE/dogs_val_lmdb) 파일 train_val.prototxt. 우리의 경우, 구글넷으로 시도하자. caffe_add_scalar() 및 caffe_gpu_add_scalar(는 데이터 기능 추출에 스칼라를 추가합니다: 이 단계에서는 도메인 지식을 활용하여 기계 학습 알고리즘에서 사용할 새로운 기능을 추출합니다.