原创 劍指offer力扣刷題總結

總結使用python3的刷題之路,日積月累,天道酬勤。 1.兩數之和--2020/3/31 暴力方法,即迭代num1,同時每次迭代去尋找滿足num2=target-num1的值。使用pyhton的in操作是一次遍歷搜索。在C中一次循環。

原创 Paper Reading :模型剪枝

在入坑模型壓縮與加速(即求解最優子網絡,)後,閱讀相關論文的個人總結。 神經網絡結構化剪枝方面的問題大體可以分爲三個步驟: 剪多少?即剪枝比例的確定,也即是確定子網絡結構,實際是在大模型結構的搜索空間中,求模型結構的最優解。目前的方法有人

原创 Caffe中使用Python腳本在cifar10數據集上測試模型

     除了使用caffe的shell命令外,還可以調用caffe的python接口來測試數據集。本文測試的模型是squeezenet,測試的數據集是cifar10,cifar10_test_lmdb中有10000張圖片。大小是3X32

原创 caffe 訓練模型心得

2019.8.23 訓練squeezenet,第一版訓了7000次,學習率0.01,感覺沒有收斂,就用了最後得模型再開始訓,第二次訓練時發現學習率爲初始化的值不是結束時得值,再訓練過程中開始導致訓練的acc降低,震盪較大。可能與學習率較大

原创 caffe finetune微調

什麼是fine-tuning:        在別人基於caffe訓練好的模型(如caffenet,googlenet等)的基礎上,利用別人訓練好的模型的權重參數值,通過訓練自己的圖片集修改最後一層的(也就是softmax)的參數和輸

原创 caffe模型配置文件——激活層,softmax,reshape層

1.激活函數層 #在激活層中,對輸入數據進行激活操作,是逐元素進行運算的,在運算過程中,沒有改變數據的相對大小,即輸入和輸出的數據相對大小是相等的。 ###Sigmoid layer {   name: "test"   bottom:

原创 caffe訓練網絡,測試網絡等命令

###訓練網絡 #sudo sh ./build/tools/caffe train --solver=examples/mnist/train_lenet.sh -solver:必選參數。一個protocol buffer類型的文件,即

原创 caffe模型配置文件——數據層,卷積層,池化層,全連接層

1.數據層 layer {   name: "cifar"   type: "Data"   top: "data"  #一般用bottom表示輸入,top表示輸出,多個top代表有多個輸出   top: "label"   includ

原创 caffe中train過程的train數據集、val數據集、test時候的test數據集區別

val是validation的簡稱。 training dataset 和 validation dataset都是在訓練的時候起作用。 而因爲validation的數據集和training沒有交集,所以這部分數據對最終訓練出的模型沒有貢

原创 caffe 圖片均值處理,網絡結構圖繪製,保存訓練日誌

一、圖片均值處理 caffe使用的mean處理是爲了圖像像素值能更接近(0,0)原點。在caffe中自帶了處理均值的文件。 sudo /opt/caffe/build/tools/comput_image_mean /opt/caffe/

原创 caffe的solver文件詳解

#往往loss function是非凸的,沒有解析解,我們需要通過優化方法來求解。 #caffe提供了六種優化算法來求解最優參數,在solver配置文件中,通過設置type類型來選擇。     Stochastic Gradient De

原创 docker上caffe利用lenet_5模型跑MNIST數據

參考博文:https://blog.csdn.net/elaine_bao/article/details/53117676 1.進入Xshell6中連接服務器,進入服務器上安裝好了的docker,查看docker鏡像。 2.啓動相應的環

原创 Ubuntu安裝拼音輸入法

Ubuntu英文系統各種,中文輸入法的安裝:1.安裝語言包System Settings–>Language Support–>Install/Remove Languages選中chinese,點擊Apply應用即可,等待下載安裝完成。