原创 caffe增加自己的layer教程集合
兩篇CSDN教程 這裏寫鏈接內容 這裏寫鏈接內容 caffe中文社區： 這裏寫鏈接內容 github一篇 這裏寫鏈接內容 斯坦福大學大牛的博客 這裏寫鏈接內容 我自己實現的教程： caffe增加自己的layer實戰（
2020-06-23 04:41:32
原创 L1歸一化和L2歸一化範數的詳解和區別
一句話介紹就是： L1 norm就是絕對值相加，又稱曼哈頓距離; L2 norm就是歐幾里德距離之和 2範數： 在向量範數範圍內： 1範數就是等於各個值的絕對值相加，這裏不貼公式了。 從公式上來說： L1的公式： 絕
2020-06-23 04:41:32
10
原创 caffe增加自己的layer實戰（上）--caffe學習（10）
github上如何增加自己的caffe layer：這裏寫鏈接內容 摘要如下： Here's roughly the process I follow. Add a class declaration for your
2020-06-23 04:41:32
原创 caffe各個層layer的區別和介紹 Vision Layers,Data Layers, Common Layers--caffe學習（9）
主要有幾個大類Vision Layers,Data Layers, Common Layers。 其實caffe官網介紹的已經很仔細了，可以參考中文翻譯版本： 由CaffeCN社區志願者共同翻譯的Caffe官網教程，目前已經完
2020-06-23 04:41:32
原创 一個有趣的問題 ： α_β_γ_δ_ε_ζ_η_θ_ι_κ_λ_μ_ν怎麼讀
在http://www.cnblogs.com/yymn/p/4955988.html看到一個有趣的東西，分享如下： αβγδεζηθικλμν怎麼讀： 大寫 小寫 中文名 英文注音 意義 a α 阿爾法 alpha 角度；
2020-06-23 04:41:32
6
原创 caffe中train_val.prototxt文件和deploy.prototxt文件區別和轉換--caffe學習（14）
先放出二者的完整例子文件，然後分析： train_val.prototxt文件如下： name: "CaffeNet" layer { name: "data" type: "Data" top: "data" top: "la
2020-06-23 04:41:32
原创 caffe將用訓練好的caffemodel和train_val.prototxt文件分類新的一張圖片-下篇--caffe學習（7）
接上篇caffe將用訓練好的caffemodel和train_val.prototxt文件分類新的一張圖片-上篇 得到deploy.prototxt文件之後，我們可以自己編寫python代碼實現對單個圖片的分類預測，先貼代碼再分
2020-04-03 02:53:31
2
原创 caffe安裝錯誤總結（cuda，cudnn，ffmpeg錯誤，cudnn.hpp:8:34）
最近安裝了caffe的Linux版本。 1.操作系統最好使用ubuntu desktop 14.04 64位。 2.剩下的就按caffe官網安裝caffe的方法安裝就行了，一路順暢。 順便提醒一下，caffe沒有說要安裝openc
2020-02-21 14:56:55
19
原创 caffe增加自己的layer實戰（中）--caffe學習（11）
接上篇： caffe增加自己的layer實戰（上）–caffe學習（10） 實現完hpp頭文件後就在cpp中實現具體的函數： 目錄更改到cpp文件：/caffe/src/caffe/layers 新建文件，命名爲：video
2020-02-21 14:56:42
原创 RCNN論文學習
原文http://blog.csdn.net/shenxiaolu1984/article/details/51066975 Girshick, Ross, et al. “Rich feature hierarchies for
2020-02-21 14:56:42
原创 caffe增加自己的layer實戰（下）--caffe學習（12）
接上篇 caffe增加自己的layer實戰（中）–caffe學習（11） 先放出完整的修改後的video_data_layers.cpp： #include <fstream> #include <iostream> #inc
2020-02-21 14:56:42
原创 （Python實現）數據PCA降維白化和L2歸一化-深度學習實踐常用數據預處理
在深度學習網絡訓練之前，一般需要對數據進行預處理 1：減去均值，然後歸一化 2：PCA白化 本文從python代碼實現的角度去實現它 首先生成一個隨機數組用於實驗，維度是（40,500），代表有40個樣本，每個樣本的維度是
2020-02-21 14:56:42
20
原创 caffe中loss函數代碼分析--caffe學習（16）
接上篇：caffe中樣本的label一定要從序號0開始標註嗎？–caffe學習（15） A: 1：數學上來說，損失函數loss值和label從0開始還是從1或者100開始是沒有直接聯繫的，以歐式距離損失函數（Euclidean
2020-02-21 14:56:42
原创 caffe增加自己的layer實戰（下-續1）--caffe學習（13）
接上篇：caffe增加自己的layer實戰（下）–caffe學習（12） 構造完函數後我們就要進入proto目錄。編輯caffe.proto文件，構造我們的video_data_layer的輸入參數。 找到：message L
2020-02-21 14:56:32
原创 A Key Volume Mining Deep Framework for Action Recognition論文學習
Zhu W, Hu J, Sun G, et al. A Key Volume Mining Deep Framework for Action Recognition[C]// IEEE Conference on Comput
2020-02-21 14:56:32