我遇到了一个问题，我有一个稀疏矩阵存储版本的神经网络，这意味着我只有一些参数和它的索引，比如它属于哪个层以及它属于哪个位置？我如何使用这些信息和 aprototxt来重建caffemodelpython.Thanks

给定一个caffe.Net对象，访问特定层的最佳方式是什么？
现在我只知道如何迭代它们，这不是很有用：

我在 Caffe 中使用预训练的 AlexNet 进行分类。但是，分类的输出大约是'synset_words.txt'文件中的 1000 个类。有没有办法使用更通用的类？

例如，我不希望输出图片中的狗类型，而是希望输出为“狗”。

我知道类中有一个层次结构，但是有没有办法检索该层次结构并使用它来获取更多通用标签？

谢谢 ：）

我正在尝试让 Caffe 在 OS X 10.11 上运行，但在通过自制软件从源代码构建构建提升时遇到了问题，正如指南所建议的那样。我使用命令行工具、自制软件（通过自制软件安装 python 和 python3）以及安装指南中列出的所有依赖项（已成功构建 protobuf）重新安装了 OS X。我正在使用 MKL 和 CUDA 7.5。运行命令后

安装脚本运行，显示配置，并说“...更新 13743 个目标...”然后复制一堆文件并说“...更新 13743 个目标...”

然后挂起。现在已经过去了大约两个小时，Activity Monitor 显示一个 ruby​​ 进程来来去去，占用了大约 85% 的 CPU，其中大约 10% 的 CPU 被用户使用。没有 gcc 进程。我在这里上传了完整的日志。我只是不耐烦吗？全新 OS X 安装给出了相同的结果。

我已经用图像训练了一个模型。现在想将fc-6特征提取到.npy文件中。我caffe.set_mode_gpu()用来运行 caffe.Classifier和提取特征。

而不是每帧提取和保存特征。我将文件夹的所有功能保存到临时变量中，并将完整视频的结果保存到 npy 文件中（减少对磁盘的写入操作次数）。

我还听说我可以使用 Caffe.Net，然后传递一批图像。但我不确定必须做哪些预处理，如果这更快？

输出

每张图像所需的时间现在大约 0.9 秒 -

我正在尝试实现 SGD 功能以在 caffe python 中手动更新 python 中的权重，而不是使用solver.step()函数。solver.step()目标是通过手动更新权重来匹配完成后的权重更新。

设置如下： 使用 MNIST 数据。将solver.prototxt中的随机种子设置为random_seed: 52：确保momentum: 0.0和base_lr: 0.01，，lr_policy: "fixed"。上面已经完成，我可以简单地实现 SGD 更新方程（没有动量、正则化等）。公式很简单：W_t+1 = W_t - mu * W_t_diff

以下是两个测试：

Test1： 使用caffe的forward()和backward()计算前向传播和后向传播。对于包含权重的每一层，我都会这样做：

接下来，将权重/偏差更新为：

我运行了 5 次迭代。

Test2：运行 caffe 的solver.step(5).

现在，我期望这两个测试在两次迭代后应该产生完全相同的权重。

我在上述每个测试之后保存权重值，并通过两个测试计算权重向量之间的范数差，我发现它们并不精确。有人能发现我可能遗漏的东西吗？

以下是完整的代码供参考：

将权重与两个测试进行比较的最后一行产生：

after iter 5 : weight diff: 0.000203027766144 and bias diff: 1.78390789051e-05 正如我所期望的那样，这个差异是 0.0

有任何想法吗？

我正在使用 PyCaffe 来实现一个受 VGG 16 层网络启发的神经网络。我想使用他们的GitHub 页面上提供的预训练模型。通常，这通过匹配层名称来工作。

对于我的"fc6"层，我的 train.prototxt 文件中有以下定义：

这是 VGG-16 部署架构的 prototxt 文件。请注意，"fc6"他们的 prototxt 中的 与我的相同（除了学习率，但这无关紧要）。还值得注意的是，在我的模型中，输入的大小也都相同：3 通道 224x224px 图像。

我一直在密切关注本教程，给我带来问题的代码块如下：

第一行加载我的求解器 prototxt，然后第二行从预训练模型 ( VGG_ILSVRC_16_layers.caffemodel) 中复制权重。当求解器运行时，我收到此错误：

它的要点是他们的模型期望层的大小为 1x1x4096，而我的只有 4096。但我不明白如何改变这个？

我在用户谷歌组中找到了这个答案，指示我在复制之前进行网络手术以重塑预训练模型，但为了做到这一点，我需要lmdb原始架构数据层中的文件，而我没有（它当我尝试运行网络手术脚本时抛出错误）。

我正在尝试使用 LeNet 对数字（0-9）进行分类。

我读取尺寸为 28x28 的图像，转置它们，然后将一个颜色通道发送到网络中。

并得到毫无意义的预测。我看到 PyCaffe 有一个可以完成这项工作的 Transformer，但我不知道如何将它用于 LeNet。

我正在使用来自 caffe/examples/mnist 的网络（希望这能回答网络期望的数据类型）。

唯一不同的是现在的输入是：

我正在运行MNIST示例，并对图层进行了一些手动更改。虽然训练一切都很好，我的最终测试准确率达到了 ~99%。我现在正在尝试使用 pycaffe 在 python 中使用生成的模型，并按照此处给出的步骤进行操作。我想计算混淆矩阵，所以我从 LMDB 中一张一张地循环测试图像，然后运行网络。这是代码：

这是我的网络定义prototxt

请注意，测试批量大小为 100，这就是为什么我需要在 python 代码中进行重塑。现在，假设我将测试批次大小更改为 1，完全相同的 python 代码会打印不同的（并且大部分是正确的）预测类标签。因此，批处理大小为 1 的代码会产生预期的结果，准确率约为 99%，而批处理大小为 100 则很糟糕。但是，基于 Imagenet pycaffe 教程，我看不出我做错了什么。作为最后的手段，我可​​以创建一个批量大小为 1 的 prototxt 副本进行测试，并在我的 python 代码中使用它，并在训练时使用原始的，但这并不理想。

另外，我认为这不应该是预处理的问题，因为它没有解释为什么它适用于批量大小 1。

任何指针表示赞赏！

我想在 python 中创建一个 lmdb 数据，其中标签不是标量，但每个标签都是 (1,K) 向量，K 是类数。更具体地说，标签向量除对应的类索引为 1 外，处处为零。

我在python中测试了以下代码：

但是我得到了这个错误，如上所述，numpy (1,k) 向量TypeError: only length-1 arrays can be converted to Python scalars在哪里。y[i]

我也想知道 caffe 是否会接受这种格式的标签。

任何帮助将不胜感激