在使用caffe几个月后，我已经能够成功地训练自己的模型。例如，比我自己的模型更进一步，我已经能够用 1000 个类训练 ImageNet。

现在在我的项目中，我正在尝试提取我感兴趣的区域。之后我编译并运行了Fast R-CNN的演示，它工作正常，但示例模型只包含 20 个类，我想要更多的类，例如所有类。

我已经下载了带有真实图像的 ImageNet边界框。

现在，我已经一片空白，我无法弄清楚接下来的步骤，也没有关于如何做到这一点的文档。我唯一发现的是如何训练 INRIA 人物模型，他们提供数据集 + 注释 + python 脚本。

我的问题是：

• 有没有我错过的教程或指南？
• 是否已经有一个经过 1000 个类训练的模型能够对图像进行分类并提取边界框？

非常感谢您提前。

问候。

拉斐尔。

我一直在关注一个 Caffe 示例来绘制我的 ConvNet 中的卷积核。我在我的内核下方附上了一张图片，但它看起来与示例中的内核完全不同。我已经完全按照示例进行了操作，有人知道可能是什么问题吗？

我的网络是在一组模拟图像（有两个类）上训练的，网络的性能非常好，大约 80% 的测试准确率。

自编码器网络似乎比普通的分类器 MLP 网络要复杂得多。在使用Lasagne进行了几次尝试之后，我在重建输出中得到的所有结果都类似于MNIST数据库的所有图像的模糊平均，而不区分输入数字的实际含义。

我选择的网络结构是以下级联层：

1. 输入层 (28x28)
2. 2D 卷积层，滤波器大小 7x7
3. 最大池化层，大小 3x3，步幅 2x2
4. 密集（全连接）扁平化层，10 个单元（这是瓶颈）
5. 密集（全连接）层，121 个单元
6. 将图层重塑为 11x11
7. 2D 卷积层，滤波器大小 3x3
8. 2D 放大层因子 2
9. 2D 卷积层，滤波器大小 3x3
10. 2D 放大层因子 2
11. 2D 卷积层，滤波器大小 5x5
12. 特征最大池化（从 31x28x28 到 28x28）

所有 2D 卷积层都具有未绑定的偏差、sigmoid 激活和 31 个过滤器。

所有全连接层都有 sigmoid 激活。

使用的损失函数是平方误差，更新函数是adagrad。学习块的长度是 100 个样本，乘以 1000 个 epoch。

为了完整起见，以下是我使用的代码：

关于如何改进这个网络以获得功能合理的自动编码器的任何想法？

我想制作一个 Conv 网络，并希望使用 RELU 激活功能。有人可以告诉我初始化权重的正确方法吗（我正在使用 Theano）

谢谢

我正在使用 Caffe 库来训练卷积神经网络 (CNN)。但是，在将两个卷积层的输出应用到 inner_product 层之前，使用 concat 层组合输出时出现以下错误。

据我所知，我使用 concat 层的方式与BVLC_GoogLeNet 完全相同。concat 层可以在我的 train.prototxt 中的pastebin名称下找到combined。我的输入 blob 的尺寸是256x8x7x24，Caffe 中的数据格式是batch_size x channels x height x width。我尝试过使用 pycaffe 界面和控制台进行培训。我犯了同样的错误。下面是使用控制台进行训练的代码。

这个错误是什么意思？以及如何解决？

更新

正如评论中提到的，日志只包含错误。错误的堆栈跟踪如下：

还应该注意的是，我的求解器和代码可以很好地训练完全相同的 CNN，在网络中只有 1 个“路径”，即没有 CONCAT 层。

首先......我不认为这是 ConvNetJs 的问题，我认为这是我对神经网络的理解的问题。

给定 2 个随机数，检测相加结果是否为偶数。

例子：

[4,6] = 真

[3,4] = 假

我的设置：

然后我训练它（使用随机数）进行 10,000 次迭代。它永远不会靠近。准确率最高约为 56%。

使用相同的设置但不同的问题：

第一个数字是否大于第二个数字。它在 1,000 次以下迭代中达到 99% 的准确率。

我尝试过的事情：更多层更多神经元 svm vs softmax

我想知道这是否是一个“不可分类”的问题。

我正在使用 theano 和他们的 LeNet 教程来使用街景谷歌图像数据集训练 CNN。

我加载数据集：

我打印了尺寸：

然后我按照教程做：

打印结果：

我在这里遇到了问题（这是定义的第一个函数，接下来是验证和训练，只是为了让名称不会让您感到困惑，并且您不认为使用类似的训练和验证功能一切正常）：

创建一个函数来计算模型所犯的错误

准确地说，我有一个错误：

错误本身表明（afau）我正在尝试将 smth 转换为矩阵。这是在哪里发生的，我想知道？

AFAIU，y 和 test_set_y 的维度一致。在我的代码中，它们都是一维向量。 为什么切片会导致错误？切片会创建矩阵吗？更重要的是，我该如何解决这个问题？ 提前致谢！

预先感谢您的帮助！

我是物理和CS专业的学生。我的任务之一是寻找超新星。超新星的发现是乏味而艰难的。通过对比现在和以前的图片，我们可能会在图片上发现一些亮点，那就是超新星。像这样， 画面噪点多，而且由于仪器不稳定，或者其他灯光造成错觉，总是有很多鬼点。

然而，超新星有一些明显的特征，它总是出现在恒星周围。光的形状是圆形。等等。已经有一些常规方法用于此。但他们的表现并不好。

所以我想知道是否值得在 CNN 上尝试一下。CNN 可以在哪些数据上做得好？

谢谢。

我正在尝试使用 Lasagne 构建一个 CNN，并且我有 119 个特征变量。我能够使用 Lasagne 成功构建 MLP，但是当我尝试使用以下代码添加卷积层（使用 1D 卷积）时，出现错误。难道我做错了什么？Lasagne 中的一维卷积是否经过测试？

文件“/Users/adityanagarajan/anaconda/lib/python2.7/site-packages/lasagne/layers/dense.py”，第 63 行，在 __init__ super(DenseLayer, self).__init__(incoming, **kwargs) 文件中/Users/adityanagarajan/anaconda/lib/python2.7/site-packages/lasagne/layers/base.py”，第 35 行，在 __init__ self.input_shape = incoming.output_shape 文件“/Users/adityanagarajan/anaconda/lib/python2 .7/site-packages/lasagne/layers/base.py”，第 49 行，在 output_shape 返回 self.get_output_shape_for(self.input_shape) 文件“/Users/adityanagarajan/anaconda/lib/python2.7/site-packages/lasagne /layers/conv.py"，第 237 行，在 get_output_shape_for output_length = conv_output_length(input_shape[2], IndexError: tuple index out of range

我正在用 theano 训练一个带有 100 万张图像的 CNN。现在我很困惑如何准备训练数据。

我的问题是：

1. 当图片大小调整为 64*64*3 时，整个数据的大小约为 100G。我应该将数据保存到单个 npy 文件还是一些较小的文件中？哪一个是有效的？

2. 如何决定CNN的参数个数？1M/10 = 100K 怎么样？

3. 我应该限制训练块的内存成本和 CNN 参数小于 GPU 内存吗？

我的电脑是 16G 内存和 GPU Titian。

非常感谢。