caffe 学习笔记-模型训练与测试
2017-08-15 18:02
288 查看
以LeNet 手写字体识别为例,首先进入caffe安装目录,并下载手写字体训练数据:
将图片转换成lmdb文件:
运行后得到 mnist_train_lmdb和mnist_test_lmdb.
/examples/mnist/lenet_solver.prototxt文件定义了训练参数,模型文件net,迭代次数max_iter,学习率base_lr等,solver_mode配置是否使用GPU:
训练:
也可以直接执行训练命令:
./build/tools/caffe train –solver=examples/mnist/lenet_solver.prototxt
caffe输入参数train表示训练.
训练结果:
学习率更新,可以通过lr_policy: “multistep”实现,例如要实现在step值分别为 5000,7000,8000,9000,9500时,按照decay=0.9更新学习率,可以修改solver.ptototxt文件如下:
cd $CAFFE_ROOT sudo ./data/mnist/get_mnist.sh
将图片转换成lmdb文件:
sudo ./examples/mnist/create_mnist.sh
运行后得到 mnist_train_lmdb和mnist_test_lmdb.
/examples/mnist/lenet_solver.prototxt文件定义了训练参数,模型文件net,迭代次数max_iter,学习率base_lr等,solver_mode配置是否使用GPU:
# The train/test net protocol buffer definition net: "examples/mnist/lenet_train_test.prototxt" # test_iter specifies how many forward passes the test should carry out. # In the case of MNIST, we have test batch size 100 and 100 test iterations, # covering the full 10,000 testing images. test_iter: 100 # Carry out testing every 500 training iterations. test_interval: 500 # The base learning rate, momentum and the weight decay of the network. base_lr: 0.01 momentum: 0.9 weight_decay: 0.0005 # The learning rate policy lr_policy: "inv" gamma: 0.0001 power: 0.75 # Display every 100 iterations display: 100 # The maximum number of iterations max_iter: 10000 # snapshot intermediate results snapshot: 5000 snapshot_prefix: "examples/mnist/lenet" # solver mode: CPU or GPU solver_mode: GPU
训练:
sudo ./examples/mnist/train_lenet.sh
也可以直接执行训练命令:
./build/tools/caffe train –solver=examples/mnist/lenet_solver.prototxt
caffe输入参数train表示训练.
训练结果:
学习率更新,可以通过lr_policy: “multistep”实现,例如要实现在step值分别为 5000,7000,8000,9000,9500时,按照decay=0.9更新学习率,可以修改solver.ptototxt文件如下:
# The train/test net protocol buffer definition net: "examples/mnist/lenet_train_test.prototxt" # test_iter specifies how many forward passes the test should carry out. # In the case of MNIST, we have test batch size 100 and 100 test iterations, # covering the full 10,000 testing images. test_iter: 100 # Carry out testing every 500 training iterations. test_interval: 500 # The base learning rate, momentum and the weight decay of the network. base_lr: 0.01 momentum: 0.9 weight_decay: 0.0005 # The learning rate policy lr_policy: "multistep" gamma: 0.9 stepvalue: 5000 stepvalue: 7000 stepvalue: 8000 stepvalue: 9000 stepvalue: 9500 # Display every 100 iterations display: 100 # The maximum number of iterations max_iter: 10000 # snapshot intermediate results snapshot: 5000 snapshot_prefix: "examples/mnist/lenet_multistep" # solver mode: CPU or GPU solver_mode: GPU
相关文章推荐
- 深度学习Caffe实战笔记(21)Windows平台 Faster-RCNN 训练好的模型测试数据
- CAFFE学习笔记(二):训练和测试自己的图片
- 【caffe学习笔记之7】caffe-matlab/python训练LeNet模型并应用于mnist数据集(2)
- Windows Caffe 学习笔记(四)搭建自己的网络,训练和测试MNIST手写字体库
- 【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学习笔记2-caffe命令行训练与测试
- Windows Caffe 学习笔记(一)训练和测试CIFAR-10数据集
- 【caffe学习笔记之6】caffe-matlab/python训练LeNet模型并应用于mnist数据集(1)
- [caffe学习笔记]用自己的数据进行训练和测试
- caffe学习笔记3:使用caffe对自己的图像数据进行训练和测试
- Tensorflow学习笔记:用minst数据集训练卷积神经网络并用训练后的模型测试自己的BMP图片
- caffe学习笔记4-matcaffe训练与测试
- caffe19 《深度学习--Caffe之经典模型详解与实战》笔记01 分类测试python调用
- Caffe学习:从头到尾跑一遍模型的训练和测试
- Caffe深度学习入门—— caffenet 微调网络 训练自己的数据并测试训练的模型
- 【caffe】caffe在windows用训练好的模型对单张图片测试——【caffe学习三】
- caffe学习笔记:mnist数据集的训练和测试
- Caffe_Windows学习笔记(二)用自己的数据训练和测试CaffeNet
- 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的python接口学习四]:训练模型