<small id='xLBqQVoh'></small> <noframes id='oQWTFSG7'>

  • <tfoot id='vOT9YUiZk'></tfoot>

      <legend id='zv9DHY'><style id='axuNqD3'><dir id='gr0in'><q id='xXZan'></q></dir></style></legend>
      <i id='NXnaou'><tr id='cBA1KSsY'><dt id='sP4z5kShx'><q id='v0ty'><span id='o4BdQ1mp'><b id='JkimBv9d'><form id='QdYk75a'><ins id='307OaFLN'></ins><ul id='iASG'></ul><sub id='EDLVlk'></sub></form><legend id='Ld53uD8e'></legend><bdo id='8yEHqF'><pre id='1RTq'><center id='B5x6p'></center></pre></bdo></b><th id='EOwMaRXCI'></th></span></q></dt></tr></i><div id='mNrDwB'><tfoot id='2VQB5UI'></tfoot><dl id='8VfAPJdjM7'><fieldset id='9PuB3RAq5'></fieldset></dl></div>

          <bdo id='JCU3olLF'></bdo><ul id='Ctpu7e9DA'></ul>

          1. <li id='5RCGKgE'></li>
            登陆

            章鱼彩票下载安装-一文了解 caffe 结构 | CSDN 博文精选

            admin 2019-09-07 305人围观 ,发现0个评论

            作者 | Javier Casas Velasco

            译者 | 弯月,责编 | 屠敏

            出品 | CSDN(ID:CSDNnews)

            什么是caffe

            Caffe 全称:Convolution Architecture For Feature Extraction(用于特征抽取的卷积结构)。

            Caffe是一个明晰、可读性高、快速的深度学习结构。

            Caffe前身是decaf,由加州伯克利大学博士贾扬青开发的一个用于深度卷积网络的Python结构(无GPU)方式,之后被伯克利大学试验室团队丰厚成caffe。

            Cafee的特色

            • Expression:通过文原本构建模型和优化战略,而不是代码。

            • Speed:现有的CNN模型中速度最快。在NVIDIA K40 或Titan GPU*上,练习一张图片要5ms,测验一张图片要2ms。

            • Modularity:易扩展

            • 纯C++/CUDA构建的结构,供给了命令行、Python、MATLAB接口

            • 完结了CPU和GPU的无缝结合

            • Caffe Model Zoo :model share

            CNN结构:LeNet

            1998年LeCun 提出的用于手写字体的卷积神经网络。

            CNN结构:AlexNet

            AlexNet :2012年Hinton教授和其他学生Alex Krizhevsky, llya Sutskever提出的用于图画识别的CNN结构。

            数据层(data_layer)

            caffe 通过数据层获取数据。数据的来历可所以多种方式。例如:

            • LevelDB,LMDB(两种键值对嵌入式数据库办理体系编程库,一般LMDB比LevelDB存取速度快,所以caffe默许的事LMDB)

            • 直接从内存读取

            • HDF5文件

            • 原始图片

            类 data_layer.hpp/章鱼彩票下载安装-一文了解 caffe 结构 | CSDN 博文精选data_layer.cpp

            在界说网络的prototxt 文件中能够界说数据层的方式,比方手写字体数据层界说如下:

            数据传递(blob)

            • caffe结构中数据是以blob的方式进行传递

            • blob是一个规范的数组,首要担任caffe中数据的存储(store),相关(communicate)。数据在网络结构中要通过正向和反向的传达的进程,在这个进程中要对数据进行存储、数据之间进行通讯、以及数据的操作。blob便是担任这个进程。

            在详细的方式上blob是回一个4-D结构的array,是依照(Num, Channels. Height, Width)的次序存储的。

            • Nums:表明一次练习输入的图片数量

            • Channels:表明通道数

            • Height:表明图片高度

            • Width:表明图片的宽度

            • 实践上blob 是存储的数据在内存中的索引,比方index(n,k,h,w)定位在((n*k + k)*H + h)*W+w。示意图如下:

            卷积层(convolution)

            卷积层界说了图画的卷积操作(即特征笼统),参数设置在prototxt中 ,它相关的类界说在conv_layer.cpp。

            例如用到的一章鱼彩票下载安装-一文了解 caffe 结构 | CSDN 博文精选个卷积:

            受限线性单元(RELU)

            RELU的全称:rectified linear units。

            受限线性单元实践上便是激活函数max(0,x), 它的相关类界说在relu_layer.cpp中。

            相比之下,ReLU的速度非常快,并且精准度更高。因而ReLU逐步替代sigmoid成为干流

            池化层(POOLING)

            池化层界说了对目标的降维操作。它的相关类界说在pooling英雄联盟本子_layer.cpp。参数设置prototxt中。

            部分呼应归一化层(LRN)

            LRN全称是Local Response Normalization,相关的类界说在lrn_layer.cpp中,其参数界说在prototxt中。部分呼应归一化层完结一种“接近按捺”操作,对部分输入区域进行归一化。本质上是避免激活函数饱满,能提高网络的泛化才能,将错误率下降。

            local_size:两种表明

            • 通道间归一化时表明求和的通道数

            • 通道内归一化时表明求和区间的边长;默许值为5

            alpha:缩放因子,默许值为1

            beta:指数项,默许值为1

            NormRegion:挑选对相邻通道间归一化or通道内空间区域归一化,默许为ACROSS_CHANNELS。

            在通道间归一化方式中,部分区域范围在相邻通道间,但没有空间扩展(即尺度为local_size11);在通道内归一化方式中,部分区域在空间上扩展,但只针对独立通道进行(即尺度为1local_sizelocal_size);每个输入值都将除以

            全衔接层(INNER_PRODUCT)

            全衔接层相关的类界说在inner_product_layer.cpp中,输出特征都是1*1的特征,参数界说在prototxt中。

            Drop章鱼彩票下载安装-一文了解 caffe 结构 | CSDN 博文精选out层

            Dropout层的相关类界说在dropout.cpp中,它的作用是避免过拟合和下降核算复杂度。

            在实践练习中,每个节点都以彼此独立的以p概率呈现,试验证明p=0.5时在大规模网络中作用最优。

            输出(分类)层(softmax)

            相关类界说在softmax_lay,cpp中:

            声明:本文为 CSDN 博主「.NY&XX」的原创文章,版权归作者一切,如需转载,请联络作者。

            原文:https://blog.csdn.net/songguangfan/article/details/99436777

            【END】

            请关注微信公众号
            微信二维码
            不容错过
            Powered By Z-BlogPHP