caffe

    0熱度

    1回答

    我建立在Windows朱古力深度學習庫: https://initialneil.wordpress.com/2015/07/15/caffe-vs2013-opencv-in-windows-tutorial-i/ 我停用cuDNN因爲我的nVidia顯卡因此未支持這一點,將目標架構改爲費米架構。 我建朱古力作爲靜態庫的測試項目中使用它如下圖所示: int main(int argc, char

    8熱度

    1回答

    我需要一些幫助來創建一個帶有圖像和標籤文本文件的純文本目錄中的連體CNN的CaffeDB。最好的將是一個python的方式來做到這一點。 問題不在於瀏覽目錄和製作圖像對。我的問題更多的是從這些對中創建一個CaffeDB。 到目前爲止,我只使用convert_imageset從圖像目錄中創建CaffeDB。 感謝您的幫助!

    7熱度

    1回答

    我想根據訓練期間「正確標籤」的「當前預測」的近/遠程度來縮放每幅圖像的損失值。例如,如果正確的標籤是「貓」,並且網絡認爲它是「狗」,則如果網絡認爲它是「汽車」,則處罰(損失)應該小於該情況。 ,我做的方式是如下: 1-我所定義的標記物之間的距離的矩陣, 2-通該矩陣作爲一個底部到"softmaxWithLoss"層, 3-乘以每個日誌(概率),以此值按比例縮放損失forward_cpu 但是,我不

    1熱度

    1回答

    我在安裝了CUDA的Ubuntu 14.04虛擬服務器上安裝Caffe(無驅動程序),使用https://github.com/BVLC/caffe/wiki/Ubuntu-14.04-VirtualBox-VM作爲靈感。我已經安裝了所有必需的依賴關係,並且一步一步地遵循了所有說明,但在嘗試測試安裝時遇到以下錯誤。 在關於步驟: 「修改蟒蛇/ classify.py添加--print_result

    6熱度

    2回答

    我想了解caffe的基礎知識,特別是使用python。 我的理解是,模型定義(比如給定的神經網絡體系結構)必須包含在'.prototxt'文件中。 而且,當你訓練上使用'.prototxt'數據模型,你的權重/模型參數保存到'.caffemodel'文件 此外,還有用於訓練的'.prototxt'文件之間的差異(包括學習率和正規化參數)以及用於測試/部署的測試/部署(不包括它們)。 問題: 是正確

    0熱度

    1回答

    我試圖用這個腳本安裝Caffe框架:https://gist.github.com/jetsonhacks/acf63b993b44e1fb9528和我得到opencv2/core/core.hpp錯誤。 CXX src/caffe/layers/data_layer.cpp src/caffe/layers/data_layer.cpp:2:33: fatal error: opencv2/

    0熱度

    1回答

    我正在嘗試使用python腳本使用預先訓練的網絡來提取功能值。這裏是我的腳本: import numpy as np import matplotlib.pyplot as plt from PIL import Image import caffe caffe.set_device(0) caffe.set_mode_gpu() net=caffe.Net('blobs-Test-

    1熱度

    1回答

    我想學習如何編寫caffe python圖層。 但我只找到像pyloss這樣非常簡單的圖層的例子。 如何用可訓練參數編寫python caffe? 例如,如何編寫完全連接的python圖層?

    -1熱度

    1回答

    我是Ubuntu和caffe的新手。我試圖在AWS上使用Caffe在Ubuntu上構建圖像識別系統,但是我遇到了關於不兼容的cuDNN的錯誤。 命令我執行: make all -j $(($(nproc) + 1)) 的錯誤,我得到: LD -o .build_release/lib/libcaffe.so.1.0.0-rc3 /usr/bin/ld: skipping incompatibl

    3熱度

    1回答

    我有一個預訓練的caffe模型,我試圖用它進行預測。但是,我試圖在使用python的多處理模塊的單獨進程中執行此預測,以便不會減慢主程序的速度。然而,當嘗試進行預測時,該過程似乎凍結。咖啡可以嗎?如果沒有,有沒有其他方法可以用python在python中進行高效的並行處理? 這裏是我的代碼 def predict(pretrained_network, data): prediction