Caffe卷积神经网络数据层及参数实例分析

这篇文章主要介绍了Caffe卷积神经网络数据层及参数实例分析的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇Caffe卷积神经网络数据层及参数实例分析文章都会有所收获，下面我们一起来看看吧。要运行caffe，需要先创建一个模型（model)，如比较常用的Lenet,Alex等， 而一个模型由多个屋（layer）构成，每一屋又由许多参数组成。所有的参数都定义在caffe.proto这个文件中。要熟练使用caffe，最重要的就是学会配置文件（prototxt）的编写。层有很多种类型，比如Data,Convolution,Pooling等，层之间的数据流动是以Blobs的方式进行。今天我们就先介绍一下数据层.数据层是每个模型的最底层，是模型的入口，不仅提供数据的输入，也提供数据从Blobs转换成别的格式进行保存输出。通常数据的预处理（如减去均值, 放大缩小, 裁剪和镜像等），也在这一层设置参数实现。数据来源可以来自高效的数据库（如LevelDB和LMDB），也可以直接来自于内存。如果不是很注重效率的话，数据也可来自磁盘的hdf5文件和图片格式文件。所有的数据层的都具有的公用参数：先看示例name: 表示该层的名称，可随意取type: 层类型，如果是Data，表示数据来源于LevelDB或LMDB。根据数据的来源不同，数据层的类型也不同（后面会详细阐述）。一般在练习的时候，我们都是采 用的LevelDB或LMDB数据，因此层类型设置为Data。top或bottom: 每一层用bottom来输入数据，用top来输出数据。如果只有top没有bottom，则此层只有输出，没有输入。反之亦然。如果有多个 top或多个bottom，表示有多个blobs数据的输入和输出。data 与 label: 在数据层中，至少有一个命名为data的top。如果有第二个top，一般命名为label。 这种(data,label)配对是分类模型所必需的。include: 一般训练的时候和测试的时候，模型的层是不一样的。该层（layer）是属于训练阶段的层，还是属于测试阶段的层，需要用include来指定。如果没有include参数，则表示该层既在训练模型中，又在测试模型中。Transformations: 数据的预处理，可以将数据变换到定义的范围内。如设置scale为0.00390625，实际上就是1/255,即将输入数据由0-255归一化到0-1之间其它的数据预处理也在这个地方设置：后面的data_param部分，就是根据数据的来源不同，来进行不同的设置。 层类型（layer type）:Data必须设置的参数： source: 包含数据库的目录名称，如examples/mnist/mnist_train_lmdb batch_size: 每次处理的数据个数，如64可选的参数： rand_skip: 在开始的时候，路过某个数据的输入。通常对异步的SGD很有用。 backend: 选择是采用LevelDB还是LMDB, 默认是LevelDB.示例：层类型：MemoryData必须设置的参数：batch_size：每一次处理的数据个数，比如2channels：通道数 height：高度 width: 宽度示例：层类型：HDF5Data必须设置的参数：source: 读取的文件名称batch_size: 每一次处理的数据个数示例：层类型：ImageData必须设置的参数： 免费云主机域名source: 一个文本文件的名字，每一行给定一个图片文件的名称和标签（label) batch_size: 每一次处理的数据个数，即图片数可选参数： rand_skip:在开始的时候，路过某个数据的输入。通常对异步的SGD很有用。 shuffle: 随机打乱顺序，默认值为false new_height,new_width: 如果设置，则将图片进行resize示例：层类型：WindowData必须设置的参数： source: 一个文本文件的名字 batch_size: 每一次处理的数据个数，即图片数示例：关于“Caffe卷积神经网络数据层及参数实例分析”这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对“Caffe卷积神经网络数据层及参数实例分析”知识都有一定的了解，大家如果还想学习更多知识，欢迎关注百云主机行业资讯频道。

相关推荐: es6新增循环怎么使用

本篇内容介绍了“es6新增循环怎么使用”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！ es6新增循环语句有一个：“for of”循环。“for..of”语句可循…