資訊專(zhuān)欄INFORMATION COLUMN
此篇文章關(guān)鍵給大家介紹了python格式Caffe圖片數(shù)據(jù)信息均值測(cè)算學(xué)習(xí)培訓(xùn)實(shí)例詳細(xì)說(shuō)明，感興趣的小伙伴可以參考借鑒一下，希望可以一些幫助，祝愿大家多多的發(fā)展，盡早漲薪
前言
照片減掉均值后，然后再進(jìn)行練習(xí)和檢測(cè)，也會(huì)提高速度與精密度。因而，通常在各類(lèi)實(shí)體模型中都有這種操作。
那么這樣的均值是怎么來(lái)的呢，實(shí)際上是測(cè)算全部svm分類(lèi)器的均值，計(jì)算出來(lái)后，儲(chǔ)存為均值文檔，在今后的檢測(cè)中，就能直接使用這種均值來(lái)做差，而無(wú)需對(duì)測(cè)試圖片重算。
一、2進(jìn)制格式均值測(cè)算
caffe中常用的均值數(shù)據(jù)類(lèi)型是binaryproto,創(chuàng)作者給我們提供一個(gè)測(cè)算均值文件compute_image_mean.cpp，放到caffe目錄下的tools文件夾里邊。
編譯程序后可操作體放到build/tools/下邊，大家立即啟用就行了
#sudo build/tools/compute_image_mean examples/mnist/mnist_train_lmdb examples/mnist/mean.binaryproto
帶兩個(gè)參數(shù)：
第一個(gè)參數(shù)：examples/mnist/mnist_train_lmdb，表示需要計(jì)算均值的數(shù)據(jù)，格式為lmdb的訓(xùn)練數(shù)據(jù)。
第二個(gè)參數(shù)：examples/mnist/mean.binaryproto，計(jì)算出來(lái)的結(jié)果保存文件。
二、python格式均值測(cè)算
假如我們要讓用python插口，或是我們應(yīng)該開(kāi)展特點(diǎn)數(shù)據(jù)可視化，可能要使用python格式均值文檔了。首要，大家用lmdb格式的信息，算出2進(jìn)制格式均值，然后，再轉(zhuǎn)化成python格式均值。
我們能撰寫(xiě)一個(gè)python腳本制作來(lái)達(dá)到：
#!/usr/bin/env python import numpy as np import sys,caffe if len(sys.argv)!=3: print"Usage:python convert_mean.py mean.binaryproto mean.npy" sys.exit() blob=caffe.proto.caffe_pb2.BlobProto() bin_mean=open(sys.argv[1],'rb').read() blob.ParseFromString(bin_mean) arr=np.array(caffe.io.blobproto_to_array(blob)) npy_mean=arr[0] np.save(sys.argv[2],npy_mean)
將這個(gè)腳本保存為convert_mean.py
調(diào)用格式為：
#sudo python convert_mean.py mean.binaryproto mean.npy
其中的mean.binaryproto就是經(jīng)過(guò)前面步驟計(jì)算出來(lái)的二進(jìn)制均值。
mean.npy就是我們需要的python格式的均值。
綜上所述，這篇文章就給大家介紹完畢，希望可以給大家?guī)?lái)幫助。
文章版權(quán)歸作者所有，未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請(qǐng)注明本文地址：http://m.hztianpu.com/yun/128777.html
此篇文章主要是詳細(xì)介紹了caffe的python插口形成環(huán)境變量學(xué)習(xí)培訓(xùn)，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的發(fā)展，盡早漲薪 caffe是C++語(yǔ)言表達(dá)所寫(xiě)的，可能大家不太熟，所以想要更方便的編程語(yǔ)言來(lái)達(dá)到。caffe給予matlab接口和python插口，這幾種語(yǔ)言表達(dá)就比較簡(jiǎn)單，并且很容易開(kāi)展數(shù)據(jù)可視化，導(dǎo)致學(xué)習(xí)培訓(xùn)更為迅速，了解更加深刻。 一年前，我在...
本文主要是給大家介紹了caffe的python插口生成deploy文件學(xué)習(xí)培訓(xùn)及其用練習(xí)好一點(diǎn)的實(shí)體模型（caffemodel）來(lái)歸類(lèi)新的圖片實(shí)例詳細(xì)說(shuō)明，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的發(fā)展，盡早漲薪 caffe的python插口生成deploy文件 假如要將練習(xí)好一點(diǎn)的實(shí)體模型用于檢測(cè)新的圖片，那必然必須得一個(gè)deploy.prototxt文件，這一...
文中主要是給大家介紹了caffe的python插口之手寫(xiě)數(shù)字識(shí)別mnist案例詳細(xì)說(shuō)明，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的發(fā)展，盡早漲薪 論文引言 機(jī)器學(xué)習(xí)第一個(gè)案例一般都是是mnist，只需這個(gè)案例徹底搞懂了，其他的便是觸類(lèi)旁通的事了。因?yàn)樽謹(jǐn)?shù)緣故，文中不簡(jiǎn)單介紹環(huán)境變量里邊每一個(gè)指標(biāo)的具體函義，如果要搞明白的，請(qǐng)參考我之前的微博文章： 數(shù)據(jù)訪問(wèn)層及主...
摘要：我們對(duì)種用于數(shù)據(jù)科學(xué)的開(kāi)源深度學(xué)習(xí)庫(kù)作了排名。于年月發(fā)布了第名，已經(jīng)躋身于深度學(xué)習(xí)庫(kù)的上半部分。是最流行的深度學(xué)習(xí)前端第位是排名較高的非框架庫(kù)。頗受對(duì)數(shù)據(jù)集使用深度學(xué)習(xí)的數(shù)據(jù)科學(xué)家的青睞。深度學(xué)習(xí)庫(kù)的完整列表來(lái)自幾個(gè)來(lái)源。 我們對(duì)23種用于數(shù)據(jù)科學(xué)的開(kāi)源深度學(xué)習(xí)庫(kù)作了排名。這番排名基于權(quán)重一樣大小的三個(gè)指標(biāo)：Github上的活動(dòng)、Stack Overflow上的活動(dòng)以及谷歌搜索結(jié)果。排名結(jié)果...
此篇文章主要是給大家介紹了Caffe神經(jīng)網(wǎng)絡(luò)服務(wù)層及主要參數(shù)實(shí)例詳細(xì)說(shuō)明，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的發(fā)展，盡早漲薪 前言 要運(yùn)行caffe，必須要先構(gòu)建一個(gè)實(shí)體模型（model)，如較為常見(jiàn)的Lenet,Alex等，所以一個(gè)實(shí)體模型由好幾個(gè)屋（layer）構(gòu)成，每個(gè)屋又由很多主要參數(shù)構(gòu)成。每一個(gè)主要參數(shù)都界定在caffe.proto這一文檔中。要熟...
閱讀 1068·2023-01-14 11:38
閱讀 1064·2023-01-14 11:04
閱讀 905·2023-01-14 10:48
閱讀 2380·2023-01-14 10:34
閱讀 1148·2023-01-14 10:24
閱讀 1027·2023-01-14 10:18
閱讀 656·2023-01-14 10:09
閱讀 734·2023-01-14 10:02
