juluwangriyue的博客

任意四边形四个顶点坐标的回归可以理解成四个关键点检测，这四个关键点就是物体的四个顶点。（卡式证件的四个顶点）最近项目需要用到caffe来做关键点的回归，即通过caffe来训练一个网络，输出的结果不是简单地类别，而是一些坐标（浮点数）。下面的这篇博文对caffe做回归有一个比较好的介绍：http://www.cnblogs.com/frombeijingwithlove/p/5314042.html这篇博文使用的是HDF5+python的方式。而我采用的是直接修改caffe的.cpp文件，并重新编译的

import numpy as npimport matplotlib.pyplot as pltimport osimport sysimport timeit# set default display parametersplt.rcParams['figure.figsize'] = [10, 10] # image display sizeplt.rcParams['image.interpolation'] = 'nearest' # nearest interpolati.

caffe代码量5万行左右，比较简洁。caffe 是个轻量级的深度学习库，在计算机视觉领域用的比较多。提升代码能力有两种途径，一是多写，二是多读。相比自己写bug ridden 的代码，读优秀的代码是一件非常愉快的事情。caffe代码量5万行左右，比较简洁，但是这5万多行代码却支撑了很多公司的业务，从这点看，这5万多行代码非常值得你花几天读一读。接下来，本文梳理一下caffe代码的骨架，希望对对caffe 源码感兴趣的读者有所帮助。caffe 项目主要目录data\ //该目录包含下载

caffe是开源较早的深度学习框架，并且已经停止更新了。所以很多新的算法在caffe中实现都要花费一些功夫。比如动态图模型，pytorch、tensorflow2、paddle都支持动态图。caffe支持动态图么，不确定，所以就搜了一下，具体还有待测试。针对一些输入数据维度可变的模型，如faster rcnn，caffe用来定义模型结构的prototxt文档头部有一个input_shape，在这个shape当中，是需要指定dim为特定维度的。针对这种情况，只需要输入的维度能够在网络的前向计算和.

可以zip文件下载，也可以git下载。git下载：git clone -b v0.3.14 https://github.com/xianyi/OpenBLAS.git参考：Windows使用mingw编译openblas参考：Windows 10 VS2015 环境下安装使用BLAS线性代数库参考：Windows下MSYS2中编译OpenBLAS过程记录...

见到的成系列的学习笔记记录如下：caffe的python接口学习（1）：生成配置文件caffe的python接口学习（2）：生成solver文件caffe的python接口学习（3）：训练模型（training)caffe的python接口学习（4）：mnist实例---手写数字识别caffe的python接口学习（5）：生成deploy文件caffe的python接口学习（6）：用训练好的模型（caffemodel）来分类新的图片...

如果要把训练好的模型拿来测试新的图片，那必须得要一个deploy.prototxt文件，这个文件实际上和test.prototxt文件差不多，只是头尾不相同而也。deploy文件没有第一层数据输入层，也没有最后的Accuracy层，但最后多了一个Softmax概率层。...

我是用的是opencv4.1.1，加载的模型是bvlc_reference_caffenet.caffemodel，本来想找单独的猫狗分类模型的，结果没有找到，就用这个代替了，deploy.prototxt用的是caffe-windows\models\bvlc_alexnet\deploy.prototxt。 分别把这两个文件放到测试程序的model文件夹下，bvlc_reference_caffenet.caffemodel重命名成model.caffemodel。并找了一张猫的图片放到image文件

跟着参考博客，把数据集的准备和制作、深度网络模型的设计、训练和测试的流程走一遍。博主是用深度学习做多任务分类的思路来识别验证码。多任务学习是针对数据给出多个监督信息（标签）进行学习，例如识别一张图像中的脸是否是人脸、脸部表情、性别、年龄等，识别图像中车的颜色、车型、姿态等，都属于多任务分类。项目用深度学习做多标签分类，是用深度神经网络对整张验证码图片进行多标签学习，来完成多任务分类，端到端的识别出验证码中的所有字符。这种思路同样可以用于车牌识别中。用深度学习来做验证码识别，优势在于，只需要找一个合适的

之前学习caffe一直到mnist训练就停止了，因为没有自己的数据。后来参考一些博客整理了一下其他数据集的训练。一、准备数据这个是参考博客中准备的数据，共有500张图片，分为大巴车、恐龙、大象、鲜花和马五个类，每个类100张。需要的同学，可到网盘下载：http://pan.baidu.com/s/1nuqlTnN编号分别以3，4，5，6，7开头，各为一类。我从其中每类选出20张作为测试，其余80张作为训练。因此最终训练图片400张，测试图片100张，共5类。我将图片放在caffe根目录下的dat

For example, you can run:# train LeNetcaffe train -solver examples/mnist/lenet_solver.prototxt# train on GPU 2caffe train -solver examples/mnist/lenet_solver.prototxt -gpu 2# resume training from the half-way point snapshotcaffe train -solver examp

参考：Windows Caffe 学习笔记（三）在Caffe上训练和测试自己的数据参考：Caffe_Windows学习笔记（二）用自己的数据训练和测试CaffeNet参考：caffe模型训练全过程（一）脚本、数据准备与制作参考：Windows10下使用Caffe训练神经网络(含数据库的生成方法)...

我是用的是这个资源：https://github.com/senlinuc/caffe_ocr关于详细信息可以阅读这个链接的README.md。测试：1. 编译caffe-vsproj/libClassification,修改自examples\cpp_classification，实现了模型加载、预测等基本功能。 2. 编译caffe-vsproj/ocr_test，实现了中文、英文ocr模型的测试功能，英文ocr包含了直接预测和词典辅助预测（英文词典文件examples/ocr/lex..

1、Caffe SolverCaffe Solver通过协调Net的前向推断计算和反向梯度计算对参数进行更新，从而达到减小loss的目的。Caffe模型的学习分为两个部分：Solver优化、更新参数、以及Net计算loss和gradient。Caffe支持Solvers有：Stochastic Gradient Descent （SGD）随机梯度下降 AdaDelta Adaptive Gradient（AdaGrad）自适应梯度 Adam Nesterov's Accelerated

1、Caffe LayerLayer时Caffe模型的本质内容和执行计算的基本单元，可进行多种运算，如convolve（卷积）、pool（池化）、innerproduct（内积）、rectified-linear和sigmoid等非线性运算，还有元素级的数据变换、normoalize（归一化）、load data（数据加载）、softmax和hinge等lossses（损失计算）。在Caffe的Layer catealogue层目录中可以查看所有的操作，也可以查看到绝大部分目前最前沿的深度学习任务的层类

Caffe BlobCaffe使用Blob结构来存储、交换和处理网络中正向和反向迭代的数据和导数信息。Blob是Caffe的标注数组结构，提供了Caffe的统一内存接口。Blob是Caffe中处理和传递实际数据的数据封装包，并且在CPU与GPU之间具有同步处理能力。Blob还可以根据CPU主机到GPU设备的同步需要，屏蔽CPU/GPU混合运算在计算上的开销。主机和设备上的内存按需求分配，以提高内存的使用效率。一般对批量图像数据，Blob的维度为图像数量N×通道数K×图像高度H×图像宽度W。Blo

1、Caffe数据库Caffe的数据层支持三种格式的数据库输入：LevelDB、LMDB和HDF5。原始图片文件可以通过convert_imageset.cpp转换成Caffe框架支持的数据文件格式，此文件源代码在tools文件夹下，生成的可执行文件在build/tools目录下，使用命令说明如下：convert_imageset [FLAGS] ROOTFOLDER/ LISTFILE DB_NAME此工具有四个参数，如下所述。FLAGS：图片数组，主要包括-gray是否为灰度图片，-s

1、caffe模型要素Caffe的模型需要两个重要的参数文件：网络模型和参数配置，分别是*.prototxt和*.solver.prototxt。1.1、网络模型Caffe的网络模型文件定义了网络的每一层行为，下图是netron 在线画出的LeNet模型。LeNet模型文件内容如下name: "LeNet"layer { name: "data" type: "Input" top: "data" input_param { shape: { dim: 64 di

Caffe深度学习框架支持多种编程接口，包括命令行、Python和Matlab。1、Caffe Python接口1.1、接口功能Caffe提供Python接口，即Pycafffe，具体实现在caffe/python文件夹内。在Python代码中import caffe，可以load models（导入模型）、forward and backward（前向、反向迭代）、handle IO (数据输入输出)、visualize networks（绘制net）和instrument model sol

1、caffe的python接口和命令行接口。2、Caffe网络定义。3、Caffe的各种模型。Caffe模型：LeNet模型、AlexNet模型、GoogLeNet模型、VGGNet模型、Siamese模型、SqueezeNet模型、FCN模型、R-CNN模型、Fast-RCNN模型、Faster-RCNN模型、SSD模型。...

1、Boost库Boost库是一个可移植、提供源代码的C++库，作为标准库的后备，是C++标准化进程的开发引擎之一，Boost库由C++标准委员会库工作组成员发起，其中有些内容有望成为下一代C++标准库内容，它在C++社区中影响甚大，是不折不扣的“准”标准库。Boost由于其对跨平台的强调，与编译平台无关。Caffe采用C++作为主开发语言，其中大量的代码依赖于Boost库。2、CFlags库CFlags库是Google的一个开源的处理命令行参数的库，使用C++开发，可以替代getopt函数。C

参考：caffe模型加密算法实现参考：深度学习：caffe模型加密参考：caffe 模型修改 加密解密

caffe模型一般有三个，标签文件（后缀txt）、模型描述文件(后缀prototxt)、模型文件(后缀model)，维护很多文件会让人心烦意乱，所以可以将这三个文件合并，合并的原理就是读取三个文件，写进一个文件，使用的时候再从一个文件中读取需要的三个部分。貌似所有文件类型都支持二进制读写，所以合并和分割都以二进制进行。在合并的时候将原来的文件名、大小等等信息写到新的文件中的开始部分，在还原的时候通过读取这些信息来还原原来的文件，我做过类似的程序，是进行文件切割的，可以将一个大的文件切割成若干个.