问题标签 [imagenet]

我密切关注 Imagenet 分布式 TF 训练示例。

当此示例在 2 个不同的工作人员上运行时，我无法理解数据是如何分布的？理论上，不同的工人应该看到数据的不同部分。另外，代码的哪一部分告诉参数在参数服务器上传递？就像在多 GPU 示例中一样，'cpu:0' 有明确的部分。

两个问题：

1) 有谁知道我是否可以向预训练的 Inception-v3 模型添加新的图像类？例如，我想在众多国旗上训练 TensorFlow，但我需要确保我仍然可以识别来自 ImageNet 层次结构的图像。我意识到有一种方法可以擦除 Inception 的顶层并在我的类上完全重新训练模型，但这非常有限且耗时。

2）另外，有没有办法输出包含图像接收的标签的整个层次结构？我希望不仅能够具体看到 Inception 将图像标记为什么，而且我希望看到 ImageNet 中所有更广泛的“合成集”。例如，我对“动物/驯养动物/狗/贵宾犬/玩具贵宾犬”感兴趣，而不仅仅是看到输出“玩具贵宾犬”。

非常感谢任何回应。

我一直在一台配备单个 GPU（GeForce GTX 980 Ti，6GB）的普通机器上训练 Inception V3。最大批量大小似乎约为40.

我使用了文件中指定的默认学习率设置inception_train.py：initial_learning_rate = 0.1和. 经过几周的训练，我能够达到的最佳准确度如下（大约 500K-1M 次迭代）：num_epochs_per_decay = 30learning_rate_decay_factor = 0.16

我尝试在培训课程结束时调整设置，但看不到准确性有任何改进。

根据本论坛的其他一些帖子，我已经从头开始了一个新的培训课程，num_epochs_per_decay= 10 和learning_rate_decay_factor= 0.001，但在这里有点摸不着头脑。

对于像我这样的小型硬件设置的良好默认设置有什么建议吗？

我正在使用 Alexnet 架构对图像网络模型进行微调。我的数据集非常小（每类 7 张图像，没有增强）。我必须删除最后一个 FC 层（"FC8"）的权重，但其他全连接层呢？我应该使用图像网络模型的权重还是随机初始化"FC6"？"FC7"所有三个 FC 层的学习率都是 5。

我正在使用深度学习 caffe 框架进行图像分类。
我有带脸的硬币。其中一些是左向的，有些是正确的。

为了对它们进行分类，我使用了常见的方法——从已经捕获大量图像模式的预训练 ImageNet 网络中获取权重和结构，并主要训练最后一层以适合我的训练集。

但是我发现网络在这个集合上不起作用：我拿了一些硬币，例如 leftdirected ，为其生成水平翻转的图像并将其标记为右侧。

对于这个集合的卷积网络，准确率约为 50%，它完全是随机结果。

我还尝试在 2 个图像（“h”字母的 2 个翻转版本）上训练网络。但结果相同 - 50% 。（如果我选择不同的字母并在 augemeneted 数据集上训练网络 - 我很快就会收到 100% 的准确度）。但是翻转的不变性打破了我的分类。

我的问题是：是否存在一些方法可以让我利用预训练的 imagenet 的优势，但以某种方式打破了这种不变性。网络上的哪一层使不变性成为可能。

我正在使用“caffe”基于此示例方法生成网络：

https://github.com/BVLC/caffe/blob/master/examples/02-fine-tuning.ipynb

我正在处理使用caffe生成图像输出的情况，我知道我可以通过定义两个数据层来做到这一点，一个是顶部data，另一个是输出label。我使用EUCLIDEAN_LOSS作为我的损失函数。data和都是label从leveldb. 我建立的网络如下所示：

问题是，当我训练网络时，我遇到了以下问题：

它表明损失层的两个底部注意相同的通道。

任何人都可以就如何解决这个问题提供一些建议吗？

Caffe“ImageNet”是否支持.jpg或.bmp图像作为输入？在 ILSVRC2012 中，我只看到.JPEG文件。我试图在 .jpg 和 .bmp 文件上训练模型（每种类型的训练不同），但它没有给出合理的结果。

我通过 caffe 使用自己的数据集训练了网络，现在我想使用 C++ 编写分类代码。我的机器（linux）仅适用于 CPU！（我用 GPU 在 VM 中训练网络）。

当我尝试“包含”特定的 Caffe 标头时：#include <caffe/caffe.hpp>编译器向我显示此消息：fatal error: caffe/caffe.hpp: No such file or directory.

我试图将特定的 caffe 文件复制到，/usr/lib/但没有帮助。有什么建议么？

我已经为我的研究实现了一个自制的 ZFNet ( prototxt )。在定义了 20k 次迭代后，测试准确率保持在 ~0.001（即 1/1000），测试损失在 ~6.9，训练损失在 ~6.9，这似乎网络在 1k 类中一直在玩猜谜游戏。我已经彻底检查了整个定义并尝试更改一些超参数以开始新的训练，但无济于事，屏幕上显示相同的结果......

谁能给我点灯？提前致谢！

prototxt 中的超参数来自论文 [1]。正如论文中的图 3 所示，所有层的输入和输出似乎都是正确的。

调整是：

• crop-s 用于训练和测试的输入都设置为，225而不是224#33 中讨论的那样；

• 、 和的 1 像素零填充conv3，以使 blob 的大小保持一致 [1]；conv4conv5

• 所有可学习层的填充类型从constant[1] 更改为gaussianwith std: 0.01；

• weight_decay：按照@sergeyk 在 PR #33 中的建议从更改为0.0005；0.00025

[1] Zeiler, M. 和 Fergus, R. 可视化和理解卷积网络，ECCV 2014。

而对于可怜的部分......，我把它贴在这里

我正在尝试运行这个图像分类示例，该示例在 python中使用Mxnet 库和预训练的深度学习模型 Inception-BN。此行的执行抛出和错误：prob = model.predict(batch)[0]带有错误消息：

我尝试再次下载 Inception-BN 模型以确保它是最新的，但并没有什么不同。我确实怀疑问题可能出在网上：由于我的服务器没有配备gpu model = mx.model.FeedForward.load(prefix, num_round, ctx=mx.gpu(), numpy_batch_size=1)，因此我不得不将gpu更改为cpu 。然而，错误似乎并没有指向那个方向。

知道如何解决吗？除了性能较低之外，使用 cpu 代替 gpu 是否存在问题？

最后是完整的错误信息：