问题标签 [pycaffe]

我正在尝试在 Java 中运行.py脚本，但是当我运行 java 代码时，它没有显示任何输出。我做错了什么？我试过：

该脚本来自 NVIDIA DIGITS framewrok，但我无法从 Java 运行任何 python 脚本。如果我在终端中运行.py脚本，我会得到输出：

使用 caffe python 接口时，是否可以从例如 SGDsolver 对象中获取当前参数？我想跟踪并打印出学习率，该学习率可能会随着时间的推移而更新，具体取决于 lr_policy。谢谢！

我想使用 caffe 提取特征并使用 SVM 训练这些特征。我浏览了这个链接：http ://caffe.berkeleyvision.org/gathered/examples/feature_extraction.html 。此链接提供了我们如何使用 caffenet 提取特征。但我想在这里使用 Lenet 架构。我无法为 Lenet 更改这行命令：

还有，提取特征后，如何使用 SVM 训练这些特征？我想为此使用python。例如：如果我从此代码中获得功能：

那么，如何通过定义自己的类来使用 SVM 训练这些功能呢？

我想用 Python 包装器测试一个 Caffe 模型：

有没有一种简单的方法可以为mean_pixelpython 包装器赋值？它似乎只支持一个mean_file论点？

有没有办法限制 Caffe 的 CPU 核心使用率？对于我的实例，我有一个 Xeon E5-2699，我想将 Caffe 限制为使用 9 个内核，即 50% 的 CPU。大部分训练都是在 GPU 上完成的，同时我还有一些其他的开发想要进行。是否有捷径可寻？运行 CentOS

我计划使用 NYU depth v2 数据集实现一个可以从单个图像估计深度的 CNN。浏览本教程向我展示了在 Caffe 上实现处理分类问题的 CNN 很容易。我很好奇 Caffe 是否适合涉及多维地面实况（例如深度图像）和回归（深度估计）的任务。

我想要实现的是使用深度图像作为基本事实来训练可以估计深度图像的 CNN。我需要将标签加载为单通道图像数据。

我只能通过 Shelhamer 找到与我的问题相关的答案https://groups.google.com/d/msg/caffe-users/JXmZrz4cCMU/mBTU1__ohg4J

我知道我应该定义两个顶层，一个用于输入，另一个用于深度数据作为基本事实。然后我可以使用损失层（如 EucledianLoss）来计算损失。我在下面添加了一个模型。

这个模型会按预期工作吗？如果没有，有没有其他方法可以在 Caffe 上做到这一点？

我在我的主目录中安装了带有 anaconda 的 caffe，它可以工作。现在我希望其他系统用户也可以使用 caffe 并使用 python 包装器运行它。因此，我首先安装了 anaconda/opt/anaconda并将这个文件夹添加到 PATH 变量中/etc/bash.bashrc（以与我的.bashrc文件类似的方式）。然后我将我的 caffe 目录复制到/opt/caffe并在/etc/bash.bashrc.

结果，如果另一个用户运行 python，他会正确使用 anaconda 版本。而且他可以运行import caffe，但是运行时会报错，因为python包装器没有找到protobuf库。

我虽然已经为所有用户安装了所有要求，而不仅仅是为我。如何正确允许其他用户使用副本运行 caffe /opt/caffe？

提前致谢

我对 caffe 中的图像分类有疑问。我使用 imagenet 模型（来自 caffe 教程）对我创建的数据进行分类，但我总是得到相同的分类结果（相同的类，即类 3）。这就是我进行的方式：

我使用 caffe for windows 和 Python 作为界面

(1) 我收集数据。我的样本图像（训练和测试）是大小为 5x5x3 (RGB) uint8 的图像，因此其像素值范围为 0-255。
(2) 我将它们调整为 imagenet 需要的大小：256x256x3。因此我在matlab中使用resize函数（最近邻插值）。
(3) 我创建了一个 LevelDB 和 image_mean。
(4) 训练我的网络（3000 次迭代）。我在 imagenet 定义中更改的唯一参数是平均图像和 LevelDB 的路径。我得到的结果：

(5) 我在 Python 中运行以下代码来对单个图像进行分类：

我使用哪个输入图像并不重要，我总是得到“3”类作为分类结果。这是我训练/分类的示例图像： 如果有人知道出了什么问题，我会很高兴？提前致谢！

我是 Caffe 的新手，它的工作流程与我之前遇到的非常不同。我之前曾在神经网络中使用过keras、sklearn、fann (C++)，我想使用 Caffe，因为它提供了一些额外的东西。但工作流程似乎很难适应。

我想从一个使用 PyCaffe 的简单、完全连接的 MLP 开始。我想给它一个 N 维输入向量并对其进行多标签分类。我有训练数据。所有 Caffe 示例似乎都是为图像（方阵输入）编写的。
我也更喜欢以编程方式配置网络，而不是使用大量配置文件。例如，Keras 有一种方法可以使用add().

是否可以仅使用 Python 在 Caffe 中构建一个简单的网络？

我试图让我的分类过程更快一点。我想增加我的 deploy.prototxt 中的第一个 input_dim 但这似乎不起作用。它甚至比一张一张地对每个图像进行分类要慢一点。

部署.prototxt

python网络初始化

蟒蛇分类

我跳过了一些细节，但应该给出重要的东西。我尝试了不同的批量大小，例如 32、64、...、1024，但几乎都一样。所以我的问题是，如果有人知道我做错了什么或需要改变什么？感谢帮助！

编辑：
一些计时结果，平均时间只是处理后的图像（1044）划分的总时间。

批量：1

2016-05-04 10:51:20,721 - 检测器 - 信息 - 数据形状：(1, 1, 120, 160)
2016-05-04 10:51:35,149 -主要- 信息 - GPU 计时：
2016-05-04 10:51:35,149 -主要- 信息 - 处理后的图像：1044
2016-05-04 10:51:35,149 -主要- 信息 - 总时间：14.43 秒
2016-05-04 10:51:35,149 -主要- 信息 -平均时间：13.82 毫秒
2016 年 5 月 4 日 10:51:35,149 -主要- 信息 - 加载时间：8.31 秒 2016
年 5 月 4 日 10:51:35,149 -主要- 信息 - 平均加载时间：7.96 毫秒
2016-05-04 10:51:35,149-主要-信息-分类时间：5.99s
2016-05-04 10:51:35,149-主要- 信息 - 平均分类时间：5.74 毫秒

批量：32

2016-05-04 10:52:30,773-检测器-信息-数据形状：(32、1、120、160)
2016-05-04 10:52:45,135-主要-信息-GPU 计时：
2016-05-04 10:52:45,135 -主要- 信息 - 处理后的图像：1044
2016-05-04 10:52:45,135 -主要- 信息 - 总时间：14.36 秒
2016-05-04 10:52:45,136 -主要- 信息 -平均时间：13.76 毫秒
2016-05-04 10:52:45,136 -主要- 信息 - 加载时间：7.13 秒
2016-05-04 10:52:45,136 -主要- 信息 - 平均加载时间：6.83 毫秒
2016-05-04 10:52:45,136-主要-信息-分类时间：7.13s
2016-05-04 10:52:45,136-主要- 信息 - 平均分类时间：6.83 毫秒

批量：128

2016-05-04 10:53:17,478 - 检测器 - 信息 - 数据形状：(128, 1, 120, 160)
2016-05-04 10:53:31,299 -主要- 信息 - GPU 计时：
2016-05-04 10:53:31,299 -主要- 信息 - 处理的图像：1044
2016-05-04 10:53:31,299 -主要- 信息 - 总时间：13.82 秒
2016-05-04 10:53:31,299 -主要- 信息 -平均时间：13.24 毫秒 2016
年 5 月 4 日 10:53:31,299 -主要- 信息 - 加载时间：7.06 秒 2016
年 5 月 4 日 10:53:31,299 -主要- 信息 - 平均加载时间：6.77 毫秒
2016-05-04 10:53:31,299-主要-信息-分类时间：6.66s
2016-05-04 10:53:31,299-主要- 信息 - 平均分类时间：6.38 毫秒

批量：1024

2016-05-04 10:54:11,546 - 检测器 - 信息 - 数据形状：(1024, 1, 120, 160)
2016-05-04 10:54:25,316 -主要- 信息 - GPU 计时：
2016-05-04 10:54:25,316 -主要- 信息 - 处理的图像：1044
2016-05-04 10:54:25,316 -主要- 信息 - 总时间：13.77 秒
2016-05-04 10:54:25,316 -主要- 信息 -平均时间：13.19 毫秒
2016-05-04 10:54:25,316 -主要- 信息 - 加载时间：7.04 秒
2016-05-04 10:54:25,316 -主要- 信息 - 平均加载时间：6.75 毫秒
2016-05-04 10:54:25,316-主要-信息-分类时间：6.63s
2016-05-04 10:54:25,316-主要- 信息 - 平均分类时间：6.35 毫秒