在 lmdb 文档中：“MDB_NOTLS 模式是独占使用的，它允许读取事务在线程之间自由迁移，并允许单个线程维护多个读取事务。这使得大多数情况下可以无忧无虑地使用读取事务，例如在使用 gevent 时。”

但是没有手册如何在python中设置它。

我试过了：

这样对吗？

按照 http://caffe.berkeleyvision.org/gathered/examples/feature_extraction.html 中的步骤在训练后从新图像中提取特征，

你最终得到一个 data.mdb 文件。

我更喜欢将功能写入 txt 文件，以便轻松操作它。

我做了一些谷歌搜索并找到了一些代码，但没有工作。此外，生成的 data.mdb 文件在 mac 上使用 mdb opener 应用程序打开时，根本不显示任何表格。

有没有一种简单的方法可以将提取的特征写入文本文件，或者有一种简单的方法来操作 mdb 文件，以便我们检查每张图像的实际值？

我使用 caffe 提取了特征，它生成了一个 .mdb 文件。然后我尝试使用 Python 读取它并将其显示为可读数字。

这会打印出很长的一行不可读的损坏字符。

然后我尝试打印 int(value)，它返回以下内容：

float(value) 给出以下内容：

这是 lmdb 文件本身的问题，还是与数据类型的转换有关？

使用 caffe 时，要创建包含图像的训练数据集，我们需要以 lmdb 等特殊格式创建数据库，但是有任何选项可以传递给 caffe 批量图像，例如vector<cv::Mat>？

为了澄清我正在寻找可以处理大量无法放入内存的图像的解决方案（但假设一个训练批次（例如包含 50 个图像）可以存储在内存中）。

我想微调 GoogLeNet 以使用 Caffe 进行多标签分类。我已经将它微调为单标签分类，但我还不能过渡到多标签。

我正在做的主要步骤是不同的：

为数据和基本事实创建 LMDB

我在这里和这里修改代码以创建一个带有数据的 LMDB 和另一个带有基本事实的 LMDB。

用 SigmoidCrossEntropyLoss 替换 SoftmaxWithLoss

更新 train_val.prototxt，我将 SoftmaxWithLoss 层替换为 SigmoidCrossEntropyLoss，并设置数据层以便加载两个 DB。我像处理单标签分类问题一样设置学习率参数。

这个步骤似乎奏效了。数据流，可以执行solver.step(1)。为了验证数据和标签是否正确加载，我使用公式明确计算了损失，并得到了与 Caffe 相同的结果。

问题

网络不收敛。运行它数百次迭代，每个不同的类平均围绕类人口。也就是说，如果 a 类在总体中有 0.35 个 1 和 0.65 个 0，那么无论真实标签如何，网络对于每个观察值都会收敛到 ~0.35 的分类概率。

可能的错误 1

我怀疑问题是因为我未能以 GoogLeNet 预训练模型可以从中学习的方式将图像正确加载到 caffe 中。到目前为止，我以前的经验是 convert_imageset，它工作得很好。现在我正在使用 shelhamer 代码将图像保存到 LMDB 中：

加载图像时，我将数据层中的平均值标准化。这看起来对吗？还有另一种方法吗？

可能的错误 2

也可能是 train_val.prototxt 定义错误。除了切换 SoftmaxWithLoss -> SigmoidCrossEntropyLoss，还有什么需要做的吗？

任何帮助将不胜感激！谢谢！

我想知道是否可以在不同时检索数据的情况下将光标向前移动 n 个位置（即降低 i/o 负载）。

我知道，mdb_cursor_get但它似乎在每次调用时都会从磁盘中检索数据，并结合MDB_NEXT.

非常感激您的帮忙！

这里有两个 LMDB 数据库。有没有办法合并这两个数据库并使用 caffe 将其提供给网络？

我正在使用 lmdb python 加载数据

我收到一条错误消息，提示“img_env = lmdb.Environment(img_db_fn, map_size=1099511627776) AttributeError: 'module' object has no attribute 'Environment''

例如，当我将最大 db 大小设置为 5G 时，在 windows 上，即使我只插入一小段数据，最终的 db 文件大小也会变为 5G。但在 linux 上它工作正常，最终的 db 大小与我插入的数据量有关。

这是我用来设置最大数据库大小的 api

rc = ::mdb_env_set_mapsize(env, 5 * 1024 * 1024 * 1024);

Windows 和 linux 也一样。我需要为 Windows 做一些不同的事情吗？

我正在尝试使用 caffe 构建一个用于显着性分析的深度学习模型（我正在使用 python 包装器）。但我无法理解如何为此目的生成 lmdb 数据结构。我已经浏览了 Imagenet 和 mnist 示例，并且我知道我应该以格式生成标签

但就我而言，我将用 0 或 1 标记每个像素，指示该像素是否显着。这不会是图像的单个标签。

如何为基于每个像素的标签生成 lmdb 文件？