摘要：
搞计算机视觉的人，对人脸技术并不陌生。在做实验的时候需要各种数据集进行训练，却往往苦于找不到合适的数据集，这篇文章将给大家带来一点福音。 目前为止最全的是人脸数据库总结： The Color FERET Database, USA The FERET program set out to estab 阅读全文
摘要：
mnist的卷积神经网络例子和上一篇博文中的神经网络例子大部分是相同的。但是CNN层数要多一些，网络模型需要自己来构建。 程序比较复杂，我就分成几个部分来叙述。 首先，下载并加载数据： 定义四个函数，分别用于初始化权值W，初始化偏置项b, 构建卷积层和构建池化层。 接下来构建网络。整个网络由两个卷积 阅读全文
摘要：
刚开始学习tf时，我们从简单的地方开始。卷积神经网络（CNN）是由简单的神经网络（NN）发展而来的，因此，我们的第一个例子，就从神经网络开始。 神经网络没有卷积功能，只有简单的三层：输入层，隐藏层和输出层。 数据从输入层输入，在隐藏层进行加权变换，最后在输出层进行输出。输出的时候，我们可以使用sof 阅读全文
摘要：
一、mnist数据 深度学习的入门实例，一般就是mnist手写数字分类识别，因此我们应该先下载这个数据集。 tensorflow提供一个input_data.py文件，专门用于下载mnist数据，我们直接调用就可以了，代码如下： 执行完成后，会在当前目录下新建一个文件夹MNIST_data, 下载的 阅读全文
摘要：
TensorFlow用张量这种数据结构来表示所有的数据。用一阶张量来表示向量，如：v = [1.2, 2.3, 3.5] ，如二阶张量表示矩阵，如：m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]，可以看成是方括号嵌套的层数。 1、编辑器 编写tensorflow代码，实际 阅读全文
摘要：
用过一段时间的caffe后，对caffe有两点感受：1、速度确实快; 2、 太不灵活了。 深度学习技术一直在发展，但是caffe的更新跟不上进度，也许是维护团队的关系：CAFFE团队成员都是业余时间在维护和更新。导致的结果就是很多新的技术在caffe里用不了，比如RNN, LSTM，batch-no 阅读全文
摘要：
如果用公式 y=f(wx+b) 来表示整个运算过程的话，那么w和b就是我们需要训练的东西，w称为权值，在cnn中也可以叫做卷积核（filter），b是偏置项。f是激活函数，有sigmoid、relu等。x就是输入的数据。 数据训练完成后，保存的caffemodel里面，实际上就是各层的w和b值。 我 阅读全文
摘要：
使用python接口来运行caffe程序，主要的原因是python非常容易可视化。所以不推荐大家在命令行下面运行python程序。如果非要在命令行下面运行，还不如直接用 c++算了。 推荐使用jupyter notebook，spyder等工具来运行python代码，这样才和它的可视化完美结合起来。 阅读全文
摘要：
经过前面两篇博文的学习，我们已经训练好了一个caffemodel模型，并生成了一个deploy.prototxt文件，现在我们就利用这两个文件来对一个新的图片进行分类预测。 我们从mnist数据集的test集中随便找一张图片，用来进行实验。 最后输出 the class is : 5 分类正确。 如 阅读全文
摘要：
如果要把训练好的模型拿来测试新的图片，那必须得要一个deploy.prototxt文件，这个文件实际上和test.prototxt文件差不多，只是头尾不相同而也。deploy文件没有第一层数据输入层，也没有最后的Accuracy层，但最后多了一个Softmax概率层。 这里我们采用代码的方式来自动生 阅读全文