Hi_Panda_CRL-CSDN博客

原创 Caffe GNU error

*** Aborted at 1491880114 (unix time) try "date -d @1491880114" if you are using GNU date ***PC: @ 0x7fefd5f82cde (unknown)*** SIGSEGV (@0x0) received by PID 2769 (TID 0x7fefea08ca40) from PID 0;

2017-04-11 11:11:35 1195 2

转载 install opencv with linux

The following steps have been tested for Ubuntu 10.04 but should work with other distros as well.Required PackagesGCC 4.4.x or laterCMake 2.8.7 or higherGitGTK+2.x or higher, including headers

2017-04-09 09:21:17 926

原创 Caffe Layer Library

Convolution layer# convolutionlayer { name: "loss1/conv" type: "Convolution" bottom: "loss1/ave_pool" top: "loss1/conv" param { lr_mult: 1 decay_mult: 1 } param { lr_mult: 2

2017-03-14 15:22:33 4211 1

原创 Caffe Log Visualization

1.Record your train/test log as a log fileTOOLS=./build/tools GLOG_logtostderr=0 GLOG_log_dir=deepid/deepid2/Log/ \ $TOOLS/caffe train \ --solver=deepid/deepid2/deepid_solver.prototxt 2.Parse

2016-09-28 14:28:41 943

原创 Caffe --- SyncedMemory

SyncedMemory类定义在syncedmem.hpp/cpp里, 主要负责caffe底层的内存管理.PS: Caffe的底层数据的切换（cpu模式和gpu模式），需要用到内存同步模块。其实个人觉得如果需要研究Blob，对于SyncedMemory的分析很重要内存分配与释放内存分配与释放由两个(不属于SyncedMemory类的)内联函数完成. 代码简单直观: 如果是CPU模式, 那么调用m

2016-07-25 09:59:49 664

原创 Caffe --- blob code

两篇非常好的文章： http://blog.csdn.net/xizero00/article/details/50886829# http://www.cnblogs.com/yymn/articles/5341347.html

2016-07-23 13:02:21 863

原创 Caffe Solver

Solver scaffolds the optimization bookkeeping and creates the training network for learning and test network(s) for evaluation. iteratively optimizes by calling forward / backward and updating p

2016-07-21 15:46:39 482

原创 Blobs, Layers, and Nets: anatomy of a Caffe model

BlobsBlob作为Caffe的四大模块之一，负责完成CPU/GPU存储申请、同步和数据持久化映射。Caffe内部数据存储和通讯都是通过Blob来完成，Blob提供统一的存储操作接口，可用来保存训练数据、模型参数等。Blob 事实上是调用了SyncedMemory 类。SyncedMemory类封装了CPU/GPU内存申请、同步和释放等。所以SyncedMemory 完成了对内存的实际操作。

2016-07-21 15:39:26 885

原创 Python learning

Packages are a way of structuring Python’s module namespace by using “dotted module names”

2016-07-21 11:57:15 584

原创 Python layer

Fully Convolutional Networks for Semantic Segmentation 论文中公布的代码作为示例，解释python层该怎么写。 https://github.com/shelhamer/fcn.berkeleyvision.org First you have to build Caffe with WITH_PYTHON_LAYER option 1. R

2016-07-20 11:04:07 3342

转载 caffe net visualization

net.blobs.items() 存储了预测图片的网络中各层的feature map的数据。net.params.items()存储了训练结束后学习好的网络参数。vis_square 函数视觉化data，主要是进行数据归一化，data转换为plt可视化的square结构。plt.imshow(net.deprocess(‘data’, net.blobs[‘data’].data[4]))

2016-07-19 18:20:02 637

转载 caffe net implement

#include <algorithm>#include <map>#include <set>#include <string>#include <utility>#include <vector>#include "caffe/common.hpp"#include "caffe/layer.hpp"#include "caffe/net.hpp"#include "caffe/

2016-07-19 17:28:31 974

原创 caffe interface --- python

#include <Python.h> // NOLINT(build/include_alpha)// Produce deprecation warnings (needs to come before arrayobject.h inclusion).#define NPY_NO_DEPRECATED_API NPY_1_7_API_VERSION#include <boost/make_

2016-07-19 17:17:04 960

转载 caffe interface --- matlab

本文首先介绍一些基础的入门知识，然后分析一个大型工程应用caffe_，从工程的视角分析，该如何设计好一个大型的交互接口。同时，找到matlab性能的瓶颈，正是我们需

2016-07-19 15:19:16 2349

这五年最重要的，是渐渐知道了怎么去做一件比较大的事情。说得很大，其实就一点，心要静下来。首先，心静下来才能钻进某个领域里认真做事。现在的社交媒体太多了，各类新闻也太多，每天忙于应付这些广泛却又浅薄的信号，或是忙着去评点别人，是没有办法做成一件事情的。就比如一个人要去旅游，按图索骥地走一圈著名的景点，并不会给自己新的体悟，最多只增些与人的谈资而已。真要体会大自然的美丽，那是一定要涉足别人达不到的地方，

2016-07-08 15:58:26 1451

原创 factor graph，potential function，Template models

factor是对于variables的某种combination的fitness。在BN中factor就是conditional probability distribution(CPD)；但factor并不总对应着某种概率（当然也不一定取0~1），比如说在MRF中。和数据库table的操作类似，factor上的基本操作有factor product ,factor marginalization

2016-07-05 17:23:26 1743

转载 dense_CRF

2016-06-30 10:44:32 6870 4

原创 deeplab script---python

import os,sys, subprocesssys.path.insert(0, os.getcwd()+'/python/my_script/')from tester import testerfrom trainer import trainerfrom crf_runner import crf_runner, grid_searchimport tools# MO

2016-06-01 07:53:21 1558

原创 deepLab

1.matio can't find HDF5 librarieschange file /densecrf/makefile as:g++ refine_pascal_v4/dense_inference.cpp util/Timer.h libDenseCRF.a$(CC) refine_pascal_v4/dense_inference.cpp -o prog_refine

2016-05-30 07:20:29 3258

原创 python packages

1.beautifulsoup4pip install beautifulsoup42.mechanizepip install mechanize

2016-05-25 09:36:25 420

原创 shell常用操作

1.查找字符串grep -rn "hello,world!" *

2016-05-23 11:11:48 375

原创 Caffe重新编译

从github获得的很多caffe源码都需要重新编译：流程：1、Makefile.config文件(cudnn、)2、修改Makefile文件(Open cv和MKL)修改mkl的路径添加opencv包含库3、$ rm -rf ./build/* 清除build$ make all -j8$ make test -j8$ make runtest -j83

2016-05-20 18:03:22 3991 1

转载最小二乘法和极大似然法的区别与联系

对于最小二乘法，当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得模型能最好地拟合样本数据，也就是估计值和观测值之差的平方和最小。而对于最大似然法，当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得从模型中抽取该n组样本观测值的概率最大。显然，这是从不同原理出发的两种参数估计方法。在最大似然法中，通过选择参数，使

2016-05-16 16:03:34 7363

原创 linux install ffmpeg

sudo apt-add-repository ppa:mc3man/trusty-mediasudo apt-get updatesudo apt-get install ffmpeg gstreamer0.10-ffmpeg

2016-04-30 07:30:03 895

转载光流

http://docs.opencv.org/3.1.0/d7/d8b/tutorial_py_lucas_kanade.html#gsc.tab=0

2016-04-18 19:53:02 630

原创 Caffe专业术语

Blob：the blob is the standard array and unified memory interface for the framework. The details of blob describe how information is stored and communicated in and across layers and nets. A Blob is a

2016-04-14 08:38:55 593

转载池化方法总结（Pooling）

转自：http://blog.csdn.net/danieljianfeng/article/details/42433475在卷积神经网络中，我们经常会碰到池化操作，而池化层往往在卷积层后面，通过池化来降低卷积层输出的特征向量，同时改善结果（不易出现过拟合）。为什么可以通过降低维度呢？因为图像具有一种“静态性”的属性，这也就意味着在一个图像区域有用的特征极有可能在另一

2016-04-12 19:17:09 9445

转载 DL经典论文

转自：http://blog.sciencenet.cn/blog-520608-751519.html主要是顺着Bengio的PAMI review的文章找出来的。包括几本综述文章，将近100篇论文，各位山头们的Presentation。全部都可以在google上找到。BTW：由于我对视觉尤其是检测识别比较感兴趣，所以关于DL的应用主要都是跟Vision相关的。在其他方面比如语音

2016-04-12 18:54:17 857

转载 What is the role of the activation function in a neural network?

原文转自：https://www.quora.com/What-is-the-role-of-the-activation-function-in-a-neural-networkThe goal of (ordinary least-squares) linear regression is to find the optimal weights that -- when linearl

2016-04-11 17:16:36 1043

原创 Neural Network中的Activation function作用

激活函数的作用谈到激活函数，必须要提到回归的问题，我们做线性回归的目的是为了优化权重。由于每次输入新的数据都要进行调整权重，做回归的主要目的是将目标特征更明显，将区别较大的噪声排除掉。因此，我们引入了激活函数。由于在线性回归中要求输入是可微的，但输入往往是非线性的，加入激活函数可以具备去燥的作用，而且可以将非线性输入变为线性输入。主要类别： tanh

2016-04-11 17:07:13 1049

原创训练过程中的Overfitting问题

Preventing overfittingEarly stoppingWeight decayTraining with noise因此，防止过拟合的常用方法有三种：第一，提前阻止。通过增加评估数据集，及时调整训练过程中的权重w，使得cost function以最快的速度下降；第二，权重衰减法。这里采用的是正则法，通过加入正则项，使得权重及时得到更新，但是这种方法不易操作

2016-04-09 20:23:43 1080

原创 bin to npy

import caffe % suppose caffe is already in the path of Pythonimport numpy as npimport sysblob = caffe.proto.caffe_pb2.BlobProto()data = open( 'data/ilsvrc12/imagenet_mean.binaryproto' , 'rb' ).re

2016-04-09 11:35:23 1445

原创 Python生成定长格式的字符串

print "\n".join(["n01"+ str(num).rjust(4,'0')+".jpg" for num in range(0, 10)])n010000.jpgn010001.jpgn010002.jpgn010003.jpgn010004.jpgn010005.jpgn010006.jpgn010007.jpgn010008.jpgn01

2016-03-31 08:35:43 5617

原创批量修改文件（照片）名称（格式）

@echo off rem startsetlocal EnableDelayedExpansionset a=1for /f "delims=" %%i in ('dir /b *.jpg') do (if not "%%~ni"=="%~n0" (if !a! LSS 10 (ren "%%i" "A_000!a!.jpg") else ren "%%i" "A_!a!.jpg"s

2016-03-31 07:49:03 1284

原创 flask upload file

import osfrom PIL import Imagefrom flask import Flask, request, redirect, url_forfrom werkzeug import secure_filenamefrom flaskext.uploads import (UploadSet, configure_uploads, IMAGES,

2016-03-22 08:27:53 2927 1

原创 Caffe-Caffe Models

1.bvlc_reference_caffenet.caffemodel下载地址：http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel来源：caffe中ImageNet tutorial（Brew ImagesnNet）训练结果This model is the result of fol

2016-03-14 08:41:51 872

原创 Caffe Examples

1.ImageNet tutorialTrain and test "CaffeNet" on ImageNet data.

2016-03-14 08:34:34 2504 2

原创使用Python中draw_net.py画网络结构图

python python/draw_net.py /home/vr/Documents/Caffe/setup/caffe-master/examples/mnist/lenet.prototxt /home/vr/Documents/Caffe/setup/caffe-master/examples/mnist/lenet.png

2016-03-12 12:19:50 5022

转载 Train and Test LeNet on your own dataset

This post walk you through how to train LeNet (defined in examples/mnist/lenet.prototxt) using your own dataset( jpg images of the same size or preprocessed ) and then test using the trained LeNet.

2016-03-12 10:43:15 1111