使用caffe进行CNN试验
2016-09-24 16:22
225 查看
1. 数据准备
在readme.md中,调用
find “pwd”(表示当前目录)(处理数据的路径)-type f……;> (需要存储的路径)/temp.txt
注意:修改路径。在数据文件下生成temp.txt文件(注意将生成的temp.txt文件中的.txt文件删掉,没有最好),再将temp.txt文件里的图片数据后边加上相应的类别,此时调用
set “s/$/ 0(表示后边加的类别,比如这里可以改为1,2….) /” (需要处理的temp.txt文件路径)/temp.txt> (生成的file_list文件存储的路径)/file_list.txt
2. 将生成的file_list.txt放在一起,调用createFishlist.py(注意调用.py文件时前边加Python,比如
…..$ python ./createFishlist.py,还要修改createFishlist.py文件中的路径)此时会生成test.txt 、train.txt两个文件;然后再调用create_imagenet.sh(注意修改文件中的路径,使用该条指令时,需在caffe目录下,比如
caffe$ ./models/g/data/create_imagenet.sh),还有两个lmdb格式的图片文件;然后再调用make_imagenet_mean.sh(这条指令与上一条指令一样,注意在caffe目录下运行)此时会生成一个fish_mean.binaryproto文件;然后再调用convert_protomean.py文件(调用时,在终端输入与文件里的usage格式一样,注意修改文件路径和名称)此时会生成fish_mean.binaryproto.npy文件,这时,训练的准备工作做完。
3. 修改网络参数
将deploy.prototxt、solver.prototxt、train_val.prototxt、train.sh文件拷到与data文件同一目录下,修改deploy.prototxt、train_val.prototxt中文件的路径(已有的caffe网络),修改solver.prototxt中的各个参数
参数修改完,调用train.sh文件(注意修改文件中的路径,调用时需在caffe目录下运行,比如…caffe$ ./models/g/train.sh)此时系统会自动进行模型的训练,训练完成后,调用classify.py(该文件是Python文件,需要注意,同时要修改路径)文件进行验证。
在readme.md中,调用
find “pwd”(表示当前目录)(处理数据的路径)-type f……;> (需要存储的路径)/temp.txt
注意:修改路径。在数据文件下生成temp.txt文件(注意将生成的temp.txt文件中的.txt文件删掉,没有最好),再将temp.txt文件里的图片数据后边加上相应的类别,此时调用
set “s/$/ 0(表示后边加的类别,比如这里可以改为1,2….) /” (需要处理的temp.txt文件路径)/temp.txt> (生成的file_list文件存储的路径)/file_list.txt
2. 将生成的file_list.txt放在一起,调用createFishlist.py(注意调用.py文件时前边加Python,比如
…..$ python ./createFishlist.py,还要修改createFishlist.py文件中的路径)此时会生成test.txt 、train.txt两个文件;然后再调用create_imagenet.sh(注意修改文件中的路径,使用该条指令时,需在caffe目录下,比如
caffe$ ./models/g/data/create_imagenet.sh),还有两个lmdb格式的图片文件;然后再调用make_imagenet_mean.sh(这条指令与上一条指令一样,注意在caffe目录下运行)此时会生成一个fish_mean.binaryproto文件;然后再调用convert_protomean.py文件(调用时,在终端输入与文件里的usage格式一样,注意修改文件路径和名称)此时会生成fish_mean.binaryproto.npy文件,这时,训练的准备工作做完。
3. 修改网络参数
将deploy.prototxt、solver.prototxt、train_val.prototxt、train.sh文件拷到与data文件同一目录下,修改deploy.prototxt、train_val.prototxt中文件的路径(已有的caffe网络),修改solver.prototxt中的各个参数
参数修改完,调用train.sh文件(注意修改文件中的路径,调用时需在caffe目录下运行,比如…caffe$ ./models/g/train.sh)此时系统会自动进行模型的训练,训练完成后,调用classify.py(该文件是Python文件,需要注意,同时要修改路径)文件进行验证。
相关文章推荐
- 使用GPU在caffe上进行CNN训练
- 使用GPU在caffe上进行CNN训练
- Caffe使用step by step:r-cnn目标检测代码
- Caffe学习:使用pycaffe进行网络训练与测试
- 【神经网络与深度学习】【Qt开发】【VS开发】从caffe-windows-visual studio2013到Qt5.7使用caffemodel进行分类的移植过程
- caffe+python 使用训练好的VGG16模型 对 单张图片进行分类,输出置信度
- 深度学习文章5:使用caffe对自己的图像数据进行训练并测试
- 使用Caffe对图片进行训练并分类的简单流程
- caffe使用预训练的模型进行finetune--caffe学习(1)
- 深度学习Caffe平台实例——CIFAR-10数据集在caffe平台上模型训练及实例使用模型进行预测
- Caffe在Python中使用内存数据(MemoryData)进行训练
- caffe学习笔记(五)--使用自己的数据集第一次进行训练
- !!使用Caffe对图片进行训练并分类的简单流程
- 使用pycaffe 对caffemodel 参数进行读取
- CNN 工具安装和使用(caffe+ convNet)
- caffe学习笔记2:使用pycaffe提取CNN特征
- Caffe使用step by step:使用自己数据对已经训练好的模型进行finetuning
- Linux下使用Caffe对图片进行训练并分类的简单流程
- 使用caffe中的imagenet对自己的图片进行分类训练(超级详细版)
- caffe学习笔记3:使用caffe对自己的图像数据进行训练和测试