caffe下用神经网络 训练自己的模型
2017-12-07 00:00
393 查看
1.准备数据
准备训练的数据,新建train,val文件夹做训练 和测试数据集的文件夹,在train,val下新建图片类别数目的文件夹,分别放各自类别图片区分开来,编写脚本 生成标签文件train.txt,和val.txt。环境变量:
export LD_LIBRARY_PATH=/data/lib/cudnn_v5.1/cuda/lib64:$LD_LIBRARY_PATH
export LD_LIBRARY_PATH=/usr/local/opencv3/lib:/usr/local/cuda/lib64:$LD_LIBRARY_PATH
python虚拟环境 opencv:
python环境装下这个:https://github.com/pyenv/pyenv-installer
opencv的话,在自己的虚拟环境里价格软链接:
ln -s /usr/local/opencv3/lib/python2.7/site-packages/cv2.so /home/chenxiaopeng/.pyenv/versions/2.7.13/envs/sci_env/lib/python2.7/site-packages/cv2.so
并将caffe/examples/imagenet目录下create_imagenet.sh文件拷贝到自己的数据集中,修改里面的目录为自己的数据目录,运行生成lmdb数据文件和mean均值文件。
2.准备模型
准备网络模型文件,train_val.prototxt文件和slover参数文件,修改里面的数据和均值目录为自己的目录,最后全链接层修改为自己的全链接层和输出类别数量。在slover里调整合适的学习参数。3.训练
使用caffe下的命令进行训练,或者可以在预训练模型上进行finetune./build/tools/caffe train --slover=......./slover.prototxt
相关文章推荐
- 【神经网络与深度学习】Caffe使用step by step:使用自己数据对已经训练好的模型进行finetuning
- 修改caffe输出multilabel,并自己训练完成了一个神经网络,初步达到目标检测的效果
- 【神经网络与深度学习】在Windows8.1上用VS2013编译Caffe并训练和分类自己的图片
- 深度学习-CAFFE利用CIFAR10网络模型训练自己的图像数据获得模型-1.制作自己的数据集
- 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
- 深度学习-CAFFE利用CIFAR10网络模型训练自己的图像数据获得模型-2生成图像库的均值文件
- 深度学习-CAFFE利用CIFAR10网络模型训练自己的图像数据获得模型-3结合caffe中的CIFAR10修改相关配置文件并训练
- 深度学习-CAFFE利用CIFAR10网络模型训练自己的图像数据获得模型-4应用生成模型进行预测
- 自己定义CNN网络模型并使用caffe训练
- Caffe初试(三)使用caffe的cifar10网络模型训练自己的图片数据
- 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
- 【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)
- 【神经网络与深度学习】深度学习实战——caffe windows 下训练自己的网络模型
- caffe神经网络经典结构及模型
- 利用TensorFlow训练简单的二分类神经网络模型
- 尝试用google colab训练自己的神经网络(二)
- caffe(6) 训练自己的CNN网络—图像数据转换成lmdb文件
- 使用caffe训练并且测试一个自己的模型
- caffe:自己的数据训练模型 (四)
- 使用caffe训练并且测试一个自己的模型