pythonlenet

Ⅰ 怎么用python 实现lenet的深度学习

Python学得倒不用很深，循环跟函数还有类学完就可以搞深度学习了。 新手用深度学习库先跑跑，真要进阶还要修改的话，你会发现瓶颈其实在数学

Ⅱ python mxnet 运行时出现simple_bind failed错误

可以用Python的扩展来实现。 Python本来是C实现的，封装二进制兼容的C++是很容易的

Ⅲ 如何用python接口调用caffemodel

来表示整个运算过程的话，那么w和b就是我们需要训练的东西，w称为权值，在cnn中也可以叫做卷积核（filter），b是偏置项。f是激活函数，有sigmoid、relu等。x就是输入的数据。
数据训练完成后，保存的caffemodel里面，实际上就是各层的w和b值。
我们运行代码：
deploy=root + 'mnist/deploy.prototxt' #deploy文件
caffe_model=root + 'mnist/lenet_iter_9380.caffemodel' #训练好的 caffemodel
net = caffe.Net(net_file,caffe_model,caffe.TEST) #加载model和network

就把所有的参数和数据都加载到一个net变量里面了，但是net是一个很复杂的object, 想直接显示出来看是不行的。其中：
net.params: 保存各层的参数值（w和b)
net.blobs: 保存各层的数据值

Ⅳ 深度学习中利用caffe如何训练自己的模型

作者：圣行
链接：https://www.hu.com/question/30091667/answer/47951446
来源：知乎
着作权归作者所有，转载请联系作者获得授权。

matlab 和python没有用过。如果是习惯用opencv的话，可以使用memory_data，请参考这个链接里的例子：C++ Image Classification with memory_data_param · Issue #1443 · BVLC/caffe · GitHub

给一个具体点的例子吧（不知道贴代码是不是有点不合知乎气质？），总共分三步：
第一步，构造网络：
enum Phase p = TEST;
Net<float> caffe_test_net(argv[1],p);
caffe_test_net.CopyTrainedLayersFrom(argv[2]);

第二步，构造数据并加入到网络输入层：
//create the input data
vector<Mat> md_images;
vector<int> md_labels;
//////operations for the input data
Mat original = imread("images\\lena_gray.png"); //随便的图片，没有实用意义，可忽略

Mat *sub_img = new Mat;
for (int i = 0; i < 10; i++){
original(Range(i, i + 28), Range(i, i + 28)).To(*sub_img); // 28x28，可以直接用lenet
md_images.push_back(*sub_img);
md_labels.push_back(0);
}

第三步，执行test操作：
for (int i = 0; i < 10; i++){
const vector<Blob<float>*>& result = caffe_test_net.ForwardPrefilled();

Ⅳ 如何使用scikit-learn实现lenet-5

Python由于其易用性及丰富函数库已经数、自科统计首选编程语言Scikit-learn通现Python包构建——NumPy SciPymatplotlib——服务于数自科库要使用交互式工作台应用程序要嵌入其重用工具箱BSD许获取所完全放重用

Ⅵ 如何利用caffe自带的工具包绘制accuracy/loss曲线

需要用到的文件在 caffe/tools/extra/plot_training_log.py.example
还需要用到caffe/tools/extra/parse_log.sh 和 caffe/tools/extra/extract_seconds.py文件（如果不在当前目录执行记得都拷贝出来）
执行命令 python plot_training_log.py 0 save.png my.log
0 -为绘制类型，会有usage 提示或者查看源码 为要画那种图，有测试的、训练的accurary等等
Usage:
./plot_training_log.py chart_type[0-7] /where/to/save.png /path/to/first.log ...
Notes:
1. Supporting multiple logs.
2. Log file name must end with the lower-cased ".log".
Supported chart types:
0: Test accuracy vs. Iters
1: Test accuracy vs. Seconds
2: Test loss vs. Iters
3: Test loss vs. Seconds
4: Train learning rate vs. Iters
5: Train learning rate vs. Seconds
6: Train loss vs. Iters
7: Train loss vs. Seconds
save.png 是保存图像路径
my.log 是训练caffe定义的层输出日志路径，也就是当前要绘制曲线的数据，必须以.log结尾
eg:
>python ./plot_training_log.py 0 ~/share/learn-caffe/accuracy_iter.png ~/share/learn-caffe/lesson04/mnist_lenet.log

Ⅶ linux下无cuda怎么pip安装pytorch

linux下安装caffe（无cuda）以及python接口
caffe（8）
主要过程稍微记录一下：
1.安装BLAS
sudo apt-get install libatlas-base-dev

2.安装依赖项
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev protobuf-compiler liblmdb-dev
3.安装glog
这个要FQ，我放在我的网络云上了。
tar zxvf glog-0.3.3.tar.gz
cd glog-0.3.3
./configure
make
sudo make install

4.安装gflags

wget https://github.com/schuhschuh/gflags/archive/master.zip
unzip master.zip
cd gflags-master
mkdir build && cd build
export CXXFLAGS="-fPIC" && cmake .. && make VERBOSE=1
make
sudo make install

这一步需要cmake，如果没有安装可以用 sudo apt-get install cmake 安装。
5.安装lmdb
git clone https://gitorious.org/mdb/mdb.git
cd mdb/libraries/liblmdb
make
sudo make install

如果没有安装Git，也要用 sudo apt-get install git 来安装。
注：如果可以FQ，只用下面一句就可以安装gflags,glog和lmdb了，省了3,4,5这三步。
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compiler

6.下载Caffe
git clone git://github.com/BVLC/caffe.git

7.安装Caffe
cd caffe
cp Makefile.config.example Makefile.config

因为这里没有gpu，所以需要设置Makefile.config文件中的CPU_ONLY:= 1，把这句的注释去掉就可以了。
然后编译
make all
make test
make runtest

安装好以后我们就可以试着在mnist上跑一下lenet了。
1.首先获取mnist数据
cd caffe
./data/mnist/get_mnist.sh

2.然后创建lenet
./examples/mnist/create_mnist.sh

注意一定要在caffe的根目录下运行以下命令，否则会报“ build/examples/mnist/convert_mnist_data.bin: not found”的错误，参见这里。
3.训练cnn
没有gpu的话要记得把caffe/examples/mnist/lenet_solver.prototxt中的solver_mode设置成solver_mode: CPU。然后在根目录下执行：
./examples/mnist/train_lenet.sh

准确率可以达到0.9912

因为caffe的tutorial上有很大一部分是Python的，所以后来又安装了一下python的接口。
1.首先安装python
2.安装pip
sudo apt-get install python-pip python-dev build-essential

3.运行以下代码安装必要的依赖项：
sudo pip install -r ./python/requirements.txt

4.这里我运行了make clean以及其他编译的caffe的命令，重新编译了一次caffe，但我不确定是不是必须的。
5.在caffe的根目录下运行：
make pycaffe

这里遇到了一个问题：
virtual memory exhausted: Cannot allocate memory
make: *** [python/caffe/_caffe.so] Error 1

按照这里的方法增加Linux虚拟机的内存就可以解决了。
6.把caffe/python的路径加到python路径中：
运行python进入python shell，然后运行下列命令：
import sys
sys.path.append("path/to/caffe/python/")
exit()

7. 这时候再次进入python shell，运行import caffe就没有报错了。

Ⅷ caffe怎么test训练好的model

训练好一个model后，你会得到caffemodel这个文件，这个文件其实就是包含着你训练完成后得到的参数，当你需要测试的时候，你需要你的配置文件prototxt文件（设置网络结构的那个文件）和这个caffemodel文件。然后你可以使用python或者matlab等接口调用上述的文件，运行就可以了。如python，net.forward（）。然后就可以得到测试的结果了。