1、CenterLoss
TODO
2、ResNet-D結構
根據大佬的實驗結果我直接選用了提升效果最好的ResNet-D結構,在車牌字符分類任務中發現確實有提升。
參考文獻:
路線圖 http://blog.csdn.net/kkk584520/article/details/41681085 (1)從CAFFE_ROOT/src/caffe/proto/caffe.proto開始,瞭解各類數
1. 引言 一如Caffe深似海,從此Torch是路人~ Caffe學習第一步,搭建Caffe環境,編譯一個基礎的caffe~ 但是很多深度學習小白,在這第一步一走就是一個周甚至更久,尤其是caffe-GPU版本的編譯,本文主要
Ubuntu16.04 Caffe(GPU版)詳細安裝教程 1.引言 實踐兩週,終於在 ubuntu16.04 系統上成功安裝 caffe(GPU) 並編譯。CPU版教程在我的另一博客有詳細介紹。鏈接: 網上有很多教程,但是某些步
在本文中,描述一下caffe的Makefile文件,這個文件用於caffe的編譯;這裏不會把所有文件都考過來,有些腳本相似的會省略掉 文件在caffe根目錄下,因爲用到makefile.config中的變量,因此,在用到的時候我會給下說
這是caffe官方文檔Notebook Examples中的第三個例子,將caffe用於邏輯迴歸分類。參考網址:http://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examp
這裏記錄一下caffe中matlab接口的配置 首先,需要下載安裝matlab, 我下載的是matlab2014a, 安裝過程參考http://blog.csdn.net/lanbing510/article/details/416982
這是caffe官方文檔Notebook Examples中的第四個例子, 鏈接地址:http://nbviewer.jupyter.org/github/BVLC/caffe/blob/master/examples/net_surger
在caffe教程中,介紹了caffe的三級結構:Blobs, Layers,Nets.如下圖所示: 深度網絡是一個複雜的模型,caffe定義了一個層與層之間連接的網絡模型。這個網絡定義了從輸入層到損失的所有模型。caffe使用blobs
caffe學習筆記3從3.1開始主要翻譯一下caffe的官方文檔,寫的非常好,忍不住要作一下。本篇翻譯來自caffe官網的:http://caffe.berkeleyvision.org/tutorial/forward_backward
在caffe中layer分爲以下幾類: Data Layers Vision Layers Recurrent Layers Common Layers Normalization Layers Activation / Neu
Windows 版caffe 的python接口編譯 第一步、安裝anaconda2 由於我比較喜歡使用anacoda這一款IDE,其中集成安裝了許多常用的模塊,比如做數據計算的numpy,圖像顯示的skimage,機器學習的sklea
Caffe學習:繪製loss和accuracy曲線(使用caffe的python接口) 上一篇博客講到了使用caffe的工具包來繪製loss曲線和accuracy曲線,這篇文章主要將如何使用caffe的python接口繪製這兩種曲線,以下
要運行caffe,需要先創建一個模型(model),如比較常用的Alexnet、VGG等, 而一個模型由多個層(layer)構成,每一層又由許多參數組成。所有的參數都定義在caffe.proto這個文件中。要熟練使用caffe,最
Google Protocol Buffer是Google開發的一個用於serializing結構化數據的開源工具:Caffe使用這個工具來定義Solver和Net,以及Net中每一個layer的參數。這使得只是想使用Caffe目前支持的
在caffe源碼的caffe-master/sec/caffe/proto/caffe.proto下記錄了不同的學習策略的計算方法: // The learning rate decay policy. The currently im