一、資料整理
(1) 資料處理
標註類標籤
資料打亂---shuf
(2) 轉換成caffe可讀的leveldb或者lmdb儲存。
./build/tools/convert_imageset -backend=lmdb -resize_heiht=45 -resize_width=45 / /image_data/print_character/print_1/file_list.txt /data/train_lmdb
(3) 計算mean_file
./build_release/tools/compute_image_mean /data/eng/train_lmdb /data/eng/printchar_mean.binaryproto
二、設計網路結構
(1) 啟動caffe訓練
./build/tools/caffe train --solver=./solver.prototxt
(2) solver配置檔案 solver.prototxt
(3) 網路結構配置檔案 train_val.prototxt
三、訓練結果
3.1 模型訓練
(1) 迭代10w次
accuracy: 0.961453
loss: 0.09485
四、基於現有訓練模型，使用caffe直接識別
/root/caffe-parallel/./build/tools/caffe test --weights=/data/model__iter_90000.caffemodel --model=/data/train_val.prototxt --gpu=1 --iterations=1
這是乙個測試訓練模型的命令，可以修改caffe的**，儲存識別結果。
Caffe實踐 基於Caffe的人臉識別實現
深度學習深似海 尤其是在影象人臉識別領域，最近幾年的頂會和頂刊常常會出現沒有太多的理論創新的文章，但是效果擺在那邊。deepid是深度學習方法進行人臉識別中的乙個簡單，卻高效的乙個網路模型，其結構的特點可以概括為兩句話 1 訓練乙個多個人臉的分類器，當訓練好之後，就可以把待測試影象放入網路中進行提取...
Caffe實踐 基於Caffe的人臉識別實現
caffe實踐 基於caffe的人臉識別實現 目錄 導言資料選擇 資料處理 資料轉換 1 劃分訓練集驗證集 2 資料轉換 訓練網路 lfw上測試 結果分析 深度學習深似海 尤其是在影象人臉識別領域，最近幾年的頂會和頂刊常常會出現沒有太多的理論創新的文章，但是效果擺在那邊。deepid是深度學習方法進...
Caffe實踐 損失函式解析
在有監督的機器學習中，需要有標籤資料，與此同時，也需要有對應的損失函式 loss function 在caffe中，目前已經實現了一些損失函式，包括最常見的l2損失函式，對比損失函式，資訊增益損失函式等等。在這裡做乙個筆記，歸納總結caffe中用到的不同的損失函式，以及分析它們各自適合的使用場景。輸...