使用caffe训练并且测试一个自己的模型
2016-12-12 21:31
531 查看
配置文件制作完毕,训练一个自己的模型将变得非常简单:
solver_path = '/home/xxx/data/solver.prototxt'
caffe.set_device(gpu_id) # 若不设置,默认为0
caffe.set_mode_gpu() # 设置计算模式为GPU计算
solver = caffe.SGDSolver(solver_path) # 加载Solver
for _ in range(500) # 按照100次迭代为一次循环,这样便于做一些参数的处理
solver.step(100)
现在得到了训练好的数据,接下来测试一下刚才训练好的数据在测试样本上的表现情况
caffe.set_device(gpu_id) # 若不设置,默认为0
caffe.set_mode_gpu() # 设置计算模式为GPU计算
net = caffe.Net( # 首先加载训练好的模型
deploy_prototxt_path, # 用于分类的网络定义文件路径
caffe_model_path, # 训练好模型路径
caffe.TEST # 设置为测试阶段
)
sum = 0
for _ in range(100) # 如果每一批次的样本为100个,这样的话测试了10000个样本
net.forward()
sum += net.blobs["Accuracy"].data
sum /= 100 # 每100个样本计算一次准确率,求和之后需要求平均再
solver_path = '/home/xxx/data/solver.prototxt'
caffe.set_device(gpu_id) # 若不设置,默认为0
caffe.set_mode_gpu() # 设置计算模式为GPU计算
solver = caffe.SGDSolver(solver_path) # 加载Solver
for _ in range(500) # 按照100次迭代为一次循环,这样便于做一些参数的处理
solver.step(100)
现在得到了训练好的数据,接下来测试一下刚才训练好的数据在测试样本上的表现情况
caffe.set_device(gpu_id) # 若不设置,默认为0
caffe.set_mode_gpu() # 设置计算模式为GPU计算
net = caffe.Net( # 首先加载训练好的模型
deploy_prototxt_path, # 用于分类的网络定义文件路径
caffe_model_path, # 训练好模型路径
caffe.TEST # 设置为测试阶段
)
sum = 0
for _ in range(100) # 如果每一批次的样本为100个,这样的话测试了10000个样本
net.forward()
sum += net.blobs["Accuracy"].data
sum /= 100 # 每100个样本计算一次准确率,求和之后需要求平均再
相关文章推荐
- 使用caffe训练并且测试一个自己的模型
- 使用caffe训练并且测试一个自己的模型
- 使用caffe训练并且测试一个自己的模型
- 使用caffe训练并且测试一个自己的模型
- 使用caffe训练并且测试一个自己的模型
- 使用caffe训练并且测试一个自己的模型
- 使用caffe训练并且测试一个自己的模型
- 使用caffe训练并且测试一个自己的模型
- 使用caffe训练并且测试一个自己的模型
- 使用caffe训练并且测试一个自己的模型
- Caffe使用step by step:使用自己数据对已经训练好的模型进行finetuning
- Ubuntu下caffe:用自己的图片训练并测试AlexNet模型
- caffe学习笔记3:使用caffe对自己的图像数据进行训练和测试
- 使用caffe训练好的模型测试单张手写数字
- 利用caffe训练的模型,写一个测试程序
- caffe(二): 利用训练好的MNIST模型测试自己的手写字符图片
- 【深度学习】笔记6:使用caffe中的CIFAR10网络模型和自己的图片数据训练自己的模型(步骤详解)
- caffe配置:自己训练模型并测试
- 自己定义CNN网络模型并使用caffe训练
- 使用Caffe训练适合自己样本集的AlexNet网络模型,并对其进行分类