Caffe代码导读（5）：对数据集进行Testing

Caffe代码导读（5）：对数据集进行Testing

上一篇介绍了如何准备数据集，做好准备之后我们先看怎样对训练好的模型进行Testing。

 

先用手写体识别例子，MNIST是数据集（包括训练数据和测试数据），深度学习模型采用LeNet（具体介绍见http://yann.lecun.com/exdb/lenet/），由Yann LeCun教授提出。

 

如果你编译好了Caffe，那么在CAFFE_ROOT下运行如下命令：

 

 

[plain] view plaincopyprint?在CODE上查看代码片派生到我的代码片
 
  1. $ ./build/tools/caffe.bin test -model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel -gpu=0  


就可以实现Testing。参数说明如下：

 

test：表示对训练好的模型进行Testing，而不是training。其他参数包括train, time, device_query。

-model=XXX：指定模型prototxt文件，这是一个文本文件，详细描述了网络结构和数据集信息。我用的prototxt内容如下：

 

[plain] view plaincopyprint?在CODE上查看代码片派生到我的代码片
 
  1. name: "LeNet"  
  2. layers {  
  3.   name: "mnist"  
  4.   type: DATA  
  5.   top: "data"  
  6.   top: "label"  
  7.   data_param {  
  8.     source: "examples/mnist/mnist_train_lmdb"  
  9.     backend: LMDB  
  10.     batch_size: 64  
  11.   }  
  12.   transform_param {  
  13.     scale: 0.00390625  
  14.   }  
  15.   include: { phase: TRAIN }  
  16. }  
  17. layers {  
  18.   name: "mnist"  
  19.   type: DATA  
  20.   top: "data"  
  21.   top: "label"  
  22.   data_param {  
  23.     source: "examples/mnist/mnist_test_lmdb"  
  24.     backend: LMDB  
  25.     batch_size: 100  
  26.   }  
  27.   transform_param {  
  28.     scale: 0.00390625  
  29.   }  
  30.   include: { phase: TEST }  
  31. }  
  32.   
  33. layers {  
  34.   name: "conv1"  
  35.   type: CONVOLUTION  
  36.   bottom: "data"  
  37.   top: "conv1"  
  38.   blobs_lr: 1  
  39.   blobs_lr: 2  
  40.   convolution_param {  
  41.     num_output: 20  
  42.     kernel_size: 5  
  43.     stride: 1  
  44.     weight_filler {  
  45.       type: "xavier"  
  46.     }  
  47.     bias_filler {  
  48.       type: "constant"  
  49.     }  
  50.   }  
  51. }  
  52. layers {  
  53.   name: "pool1"  
  54.   type: POOLING  
  55.   bottom: "conv1"  
  56.   top: "pool1"  
  57.   pooling_param {  
  58.     pool: MAX  
  59.     kernel_size: 2  
  60.     stride: 2  
  61.   }  
  62. }  
  63. layers {  
  64.   name: "conv2"  
  65.   type: CONVOLUTION  
  66.   bottom: "pool1"  
  67.   top: "conv2"  
  68.   blobs_lr: 1  
  69.   blobs_lr: 2  
  70.   convolution_param {  
  71.     num_output: 50  
  72.     kernel_size: 5  
  73.     stride: 1  
  74.     weight_filler {  
  75.       type: "xavier"  
  76.     }  
  77.     bias_filler {  
  78.       type: "constant"  
  79.     }  
  80.   }  
  81. }  
  82. layers {  
  83.   name: "pool2"  
  84.   type: POOLING  
  85.   bottom: "conv2"  
  86.   top: "pool2"  
  87.   pooling_param {  
  88.     pool: MAX  
  89.     kernel_size: 2  
  90.     stride: 2  
  91.   }  
  92. }  
  93. layers {  
  94.   name: "ip1"  
  95.   type: INNER_PRODUCT  
  96.   bottom: "pool2"  
  97.   top: "ip1"  
  98.   blobs_lr: 1  
  99.   blobs_lr: 2  
  100.   inner_product_param {  
  101.     num_output: 500  
  102.     weight_filler {  
  103.       type: "xavier"  
  104.     }  
  105.     bias_filler {  
  106.       type: "constant"  
  107.     }  
  108.   }  
  109. }  
  110. layers {  
  111.   name: "relu1"  
  112.   type: RELU  
  113.   bottom: "ip1"  
  114.   top: "ip1"  
  115. }  
  116. layers {  
  117.   name: "ip2"  
  118.   type: INNER_PRODUCT  
  119.   bottom: "ip1"  
  120.   top: "ip2"  
  121.   blobs_lr: 1  
  122.   blobs_lr: 2  
  123.   inner_product_param {  
  124.     num_output: 10  
  125.     weight_filler {  
  126.       type: "xavier"  
  127.     }  
  128.     bias_filler {  
  129.       type: "constant"  
  130.     }  
  131.   }  
  132. }  
  133. layers {  
  134.   name: "accuracy"  
  135.   type: ACCURACY  
  136.   bottom: "ip2"  
  137.   bottom: "label"  
  138.   top: "accuracy"  
  139.   include: { phase: TEST }  
  140. }  
  141. layers {  
  142.   name: "loss"  
  143.   type: SOFTMAX_LOSS  
  144.   bottom: "ip2"  
  145.   bottom: "label"  
  146.   top: "loss"  
  147. }  


里面定义的网络结构如下图所示：

 

 

-weights=XXX：指定训练好的caffemodel二进制文件。如果你手头没有训练好的可以下载这个（http://download.csdn.net/detail/kkk584520/8219443）。

-gpu=0：指定在GPU上运行，GPUID=0。如果你没有GPU就去掉这个参数，默认在CPU上运行。

 

运行输出如下：

 

[plain] view plaincopyprint?在CODE上查看代码片派生到我的代码片
 
    1. I1203 18:47:00.073052  4610 caffe.cpp:134] Use GPU with device ID 0  
    2. I1203 18:47:00.367065  4610 net.cpp:275] The NetState phase (1) differed from the phase (0) specified by a rule in layer mnist  
    3. I1203 18:47:00.367269  4610 net.cpp:39] Initializing net from parameters:   
    4. name: "LeNet"  
    5. layers {  
    6.   top: "data"  
    7.   top: "label"  
    8.   name: "mnist"  
    9.   type: DATA  
    10.   data_param {  
    11.     source: "examples/mnist/mnist_test_lmdb"  
    12.     batch_size: 100  
    13.     backend: LMDB  
    14.   }  
    15.   include {  
    16.     phase: TEST  
    17.   }  
    18.   transform_param {  
    19.     scale: 0.00390625  
    20.   }  
    21. }  
    22. layers {  
    23.   bottom: "data"  
    24.   top: "conv1"  
    25.   name: "conv1"  
    26.   type: CONVOLUTION  
    27.   blobs_lr: 1  
    28.   blobs_lr: 2  
    29.   convolution_param {  
    30.     num_output: 20  
    31.     kernel_size: 5  
    32.     stride: 1  
    33.     weight_filler {  
    34.       type: "xavier"  
    35.     }  
    36.     bias_filler {  
    37.       type: "constant"  
    38.     }  
    39.   }  
    40. }  
    41. layers {  
    42.   bottom: "conv1"  
    43.   top: "pool1"  
    44.   name: "pool1"  
    45.   type: POOLING  
    46.   pooling_param {  
    47.     pool: MAX  
    48.     kernel_size: 2  
    49.     stride: 2  
    50.   }  
    51. }  
    52. layers {  
    53.   bottom: "pool1"  
    54.   top: "conv2"  
    55.   name: "conv2"  
    56.   type: CONVOLUTION  
    57.   blobs_lr: 1  
    58.   blobs_lr: 2  
    59.   convolution_param {  
    60.     num_output: 50  
    61.     kernel_size: 5  
    62.     stride: 1  
    63.     weight_filler {  
    64.       type: "xavier"  
    65.     }  
    66.     bias_filler {  
    67.       type: "constant"  
    68.     }  
    69.   }  
    70. }  
    71. layers {  
    72.   bottom: "conv2"  
    73.   top: "pool2"  
    74.   name: "pool2"  
    75.   type: POOLING  
    76.   pooling_param {  
    77.     pool: MAX  
    78.     kernel_size: 2  
    79.     stride: 2  
    80.   }  
    81. }  
    82. layers {  
    83.   bottom: "pool2"  
    84.   top: "ip1"  
    85.   name: "ip1"  
    86.   type: INNER_PRODUCT  
    87.   blobs_lr: 1  
    88.   blobs_lr: 2  
    89.   inner_product_param {  
    90.     num_output: 500  
    91.     weight_filler {  
    92.       type: "xavier"  
    93.     }  
    94.     bias_filler {  
    95.       type: "constant"  
    96.     }  
    97.   }  
    98. }  
    99. layers {  
    100.   bottom: "ip1"  
    101.   top: "ip1"  
    102.   name: "relu1"  
    103.   type: RELU  
    104. }  
    105. layers {  
    106.   bottom: "ip1"  
    107.   top: "ip2"  
    108.   name: "ip2"  
    109.   type: INNER_PRODUCT  
    110.   blobs_lr: 1  
    111.   blobs_lr: 2  
    112.   inner_product_param {  
    113.     num_output: 10  
    114.     weight_filler {  
    115.       type: "xavier"  
    116.     }  
    117.     bias_filler {  
    118.       type: "constant"  
    119.     }  
    120.   }  
    121. }  
    122. layers {  
    123.   bottom: "ip2"  
    124.   bottom: "label"  
    125.   top: "accuracy"  
    126.   name: "accuracy"  
    127.   type: ACCURACY  
    128.   include {  
    129.     phase: TEST  
    130.   }  
    131. }  
    132. layers {  
    133.   bottom: "ip2"  
    134.   bottom: "label"  
    135.   top: "loss"  
    136.   name: "loss"  
    137.   type: SOFTMAX_LOSS  
    138. }  
    139. I1203 18:47:00.367391  4610 net.cpp:67] Creating Layer mnist  
    140. I1203 18:47:00.367409  4610 net.cpp:356] mnist -> data  
    141. I1203 18:47:00.367435  4610 net.cpp:356] mnist -> label  
    142. I1203 18:47:00.367451  4610 net.cpp:96] Setting up mnist  
    143. I1203 18:47:00.367571  4610 data_layer.cpp:68] Opening lmdb examples/mnist/mnist_test_lmdb  
    144. I1203 18:47:00.367609  4610 data_layer.cpp:128] output data size: 100,1,28,28  
    145. I1203 18:47:00.367832  4610 net.cpp:103] Top shape: 100 1 28 28 (78400)  
    146. I1203 18:47:00.367849  4610 net.cpp:103] Top shape: 100 1 1 1 (100)  
    147. I1203 18:47:00.367863  4610 net.cpp:67] Creating Layer label_mnist_1_split  
    148. I1203 18:47:00.367873  4610 net.cpp:394] label_mnist_1_split <- label  
    149. I1203 18:47:00.367892  4610 net.cpp:356] label_mnist_1_split -> label_mnist_1_split_0  
    150. I1203 18:47:00.367908  4610 net.cpp:356] label_mnist_1_split -> label_mnist_1_split_1  
    151. I1203 18:47:00.367919  4610 net.cpp:96] Setting up label_mnist_1_split  
    152. I1203 18:47:00.367929  4610 net.cpp:103] Top shape: 100 1 1 1 (100)  
    153. I1203 18:47:00.367938  4610 net.cpp:103] Top shape: 100 1 1 1 (100)  
    154. I1203 18:47:00.367950  4610 net.cpp:67] Creating Layer conv1  
    155. I1203 18:47:00.367959  4610 net.cpp:394] conv1 <- data  
    156. I1203 18:47:00.367969  4610 net.cpp:356] conv1 -> conv1  
    157. I1203 18:47:00.367982  4610 net.cpp:96] Setting up conv1  
    158. I1203 18:47:00.392133  4610 net.cpp:103] Top shape: 100 20 24 24 (1152000)  
    159. I1203 18:47:00.392204  4610 net.cpp:67] Creating Layer pool1  
    160. I1203 18:47:00.392217  4610 net.cpp:394] pool1 <- conv1  
    161. I1203 18:47:00.392231  4610 net.cpp:356] pool1 -> pool1  
    162. I1203 18:47:00.392247  4610 net.cpp:96] Setting up pool1  
    163. I1203 18:47:00.392273  4610 net.cpp:103] Top shape: 100 20 12 12 (288000)  
    164. I1203 18:47:00.392297  4610 net.cpp:67] Creating Layer conv2  
    165. I1203 18:47:00.392307  4610 net.cpp:394] conv2 <- pool1  
    166. I1203 18:47:00.392318  4610 net.cpp:356] conv2 -> conv2  
    167. I1203 18:47:00.392330  4610 net.cpp:96] Setting up conv2  
    168. I1203 18:47:00.392669  4610 net.cpp:103] Top shape: 100 50 8 8 (320000)  
    169. I1203 18:47:00.392729  4610 net.cpp:67] Creating Layer pool2  
    170. I1203 18:47:00.392756  4610 net.cpp:394] pool2 <- conv2  
    171. I1203 18:47:00.392768  4610 net.cpp:356] pool2 -> pool2  
    172. I1203 18:47:00.392781  4610 net.cpp:96] Setting up pool2  
    173. I1203 18:47:00.392793  4610 net.cpp:103] Top shape: 100 50 4 4 (80000)  
    174. I1203 18:47:00.392810  4610 net.cpp:67] Creating Layer ip1  
    175. I1203 18:47:00.392819  4610 net.cpp:394] ip1 <- pool2  
    176. I1203 18:47:00.392832  4610 net.cpp:356] ip1 -> ip1  
    177. I1203 18:47:00.392844  4610 net.cpp:96] Setting up ip1  
    178. I1203 18:47:00.397348  4610 net.cpp:103] Top shape: 100 500 1 1 (50000)  
    179. I1203 18:47:00.397372  4610 net.cpp:67] Creating Layer relu1  
    180. I1203 18:47:00.397382  4610 net.cpp:394] relu1 <- ip1  
    181. I1203 18:47:00.397394  4610 net.cpp:345] relu1 -> ip1 (in-place)  
    182. I1203 18:47:00.397407  4610 net.cpp:96] Setting up relu1  
    183. I1203 18:47:00.397420  4610 net.cpp:103] Top shape: 100 500 1 1 (50000)  
    184. I1203 18:47:00.397434  4610 net.cpp:67] Creating Layer ip2  
    185. I1203 18:47:00.397442  4610 net.cpp:394] ip2 <- ip1  
    186. I1203 18:47:00.397456  4610 net.cpp:356] ip2 -> ip2  
    187. I1203 18:47:00.397469  4610 net.cpp:96] Setting up ip2  
    188. I1203 18:47:00.397532  4610 net.cpp:103] Top shape: 100 10 1 1 (1000)  
    189. I1203 18:47:00.397547  4610 net.cpp:67] Creating Layer ip2_ip2_0_split  
    190. I1203 18:47:00.397557  4610 net.cpp:394] ip2_ip2_0_split <- ip2  
    191. I1203 18:47:00.397565  4610 net.cpp:356] ip2_ip2_0_split -> ip2_ip2_0_split_0  
    192. I1203 18:47:00.397583  4610 net.cpp:356] ip2_ip2_0_split -> ip2_ip2_0_split_1  
    193. I1203 18:47:00.397593  4610 net.cpp:96] Setting up ip2_ip2_0_split  
    194. I1203 18:47:00.397603  4610 net.cpp:103] Top shape: 100 10 1 1 (1000)  
    195. I1203 18:47:00.397611  4610 net.cpp:103] Top shape: 100 10 1 1 (1000)  
    196. I1203 18:47:00.397622  4610 net.cpp:67] Creating Layer accuracy  
    197. I1203 18:47:00.397631  4610 net.cpp:394] accuracy <- ip2_ip2_0_split_0  
    198. I1203 18:47:00.397640  4610 net.cpp:394] accuracy <- label_mnist_1_split_0  
    199. I1203 18:47:00.397650  4610 net.cpp:356] accuracy -> accuracy  
    200. I1203 18:47:00.397661  4610 net.cpp:96] Setting up accuracy  
    201. I1203 18:47:00.397673  4610 net.cpp:103] Top shape: 1 1 1 1 (1)  
    202. I1203 18:47:00.397687  4610 net.cpp:67] Creating Layer loss  
    203. I1203 18:47:00.397696  4610 net.cpp:394] loss <- ip2_ip2_0_split_1  
    204. I1203 18:47:00.397706  4610 net.cpp:394] loss <- label_mnist_1_split_1  
    205. I1203 18:47:00.397714  4610 net.cpp:356] loss -> loss  
    206. I1203 18:47:00.397725  4610 net.cpp:96] Setting up loss  
    207. I1203 18:47:00.397737  4610 net.cpp:103] Top shape: 1 1 1 1 (1)  
    208. I1203 18:47:00.397745  4610 net.cpp:109]     with loss weight 1  
    209. I1203 18:47:00.397776  4610 net.cpp:170] loss needs backward computation.  
    210. I1203 18:47:00.397785  4610 net.cpp:172] accuracy does not need backward computation.  
    211. I1203 18:47:00.397794  4610 net.cpp:170] ip2_ip2_0_split needs backward computation.  
    212. I1203 18:47:00.397801  4610 net.cpp:170] ip2 needs backward computation.  
    213. I1203 18:47:00.397809  4610 net.cpp:170] relu1 needs backward computation.  
    214. I1203 18:47:00.397816  4610 net.cpp:170] ip1 needs backward computation.  
    215. I1203 18:47:00.397825  4610 net.cpp:170] pool2 needs backward computation.  
    216. I1203 18:47:00.397832  4610 net.cpp:170] conv2 needs backward computation.  
    217. I1203 18:47:00.397843  4610 net.cpp:170] pool1 needs backward computation.  
    218. I1203 18:47:00.397851  4610 net.cpp:170] conv1 needs backward computation.  
    219. I1203 18:47:00.397860  4610 net.cpp:172] label_mnist_1_split does not need backward computation.  
    220. I1203 18:47:00.397867  4610 net.cpp:172] mnist does not need backward computation.  
    221. I1203 18:47:00.397874  4610 net.cpp:208] This network produces output accuracy  
    222. I1203 18:47:00.397884  4610 net.cpp:208] This network produces output loss  
    223. I1203 18:47:00.397905  4610 net.cpp:467] Collecting Learning Rate and Weight Decay.  
    224. I1203 18:47:00.397915  4610 net.cpp:219] Network initialization done.  
    225. I1203 18:47:00.397923  4610 net.cpp:220] Memory required for data: 8086808  
    226. I1203 18:47:00.432165  4610 caffe.cpp:145] Running for 50 iterations.  
    227. I1203 18:47:00.435849  4610 caffe.cpp:169] Batch 0, accuracy = 0.99  
    228. I1203 18:47:00.435879  4610 caffe.cpp:169] Batch 0, loss = 0.018971  
    229. I1203 18:47:00.437434  4610 caffe.cpp:169] Batch 1, accuracy = 0.99  
    230. I1203 18:47:00.437471  4610 caffe.cpp:169] Batch 1, loss = 0.0117609  
    231. I1203 18:47:00.439000  4610 caffe.cpp:169] Batch 2, accuracy = 1  
    232. I1203 18:47:00.439020  4610 caffe.cpp:169] Batch 2, loss = 0.00555977  
    233. I1203 18:47:00.440551  4610 caffe.cpp:169] Batch 3, accuracy = 0.99  
    234. I1203 18:47:00.440575  4610 caffe.cpp:169] Batch 3, loss = 0.0412139  
    235. I1203 18:47:00.442105  4610 caffe.cpp:169] Batch 4, accuracy = 0.99  
    236. I1203 18:47:00.442126  4610 caffe.cpp:169] Batch 4, loss = 0.0579313  
    237. I1203 18:47:00.443619  4610 caffe.cpp:169] Batch 5, accuracy = 0.99  
    238. I1203 18:47:00.443639  4610 caffe.cpp:169] Batch 5, loss = 0.0479742  
    239. I1203 18:47:00.445159  4610 caffe.cpp:169] Batch 6, accuracy = 0.98  
    240. I1203 18:47:00.445179  4610 caffe.cpp:169] Batch 6, loss = 0.0570176  
    241. I1203 18:47:00.446712  4610 caffe.cpp:169] Batch 7, accuracy = 0.99  
    242. I1203 18:47:00.446732  4610 caffe.cpp:169] Batch 7, loss = 0.0272363  
    243. I1203 18:47:00.448249  4610 caffe.cpp:169] Batch 8, accuracy = 1  
    244. I1203 18:47:00.448269  4610 caffe.cpp:169] Batch 8, loss = 0.00680142  
    245. I1203 18:47:00.449801  4610 caffe.cpp:169] Batch 9, accuracy = 0.98  
    246. I1203 18:47:00.449821  4610 caffe.cpp:169] Batch 9, loss = 0.0288398  
    247. I1203 18:47:00.451352  4610 caffe.cpp:169] Batch 10, accuracy = 0.98  
    248. I1203 18:47:00.451372  4610 caffe.cpp:169] Batch 10, loss = 0.0603264  
    249. I1203 18:47:00.452883  4610 caffe.cpp:169] Batch 11, accuracy = 0.98  
    250. I1203 18:47:00.452903  4610 caffe.cpp:169] Batch 11, loss = 0.0524943  
    251. I1203 18:47:00.454407  4610 caffe.cpp:169] Batch 12, accuracy = 0.95  
    252. I1203 18:47:00.454427  4610 caffe.cpp:169] Batch 12, loss = 0.106648  
    253. I1203 18:47:00.455955  4610 caffe.cpp:169] Batch 13, accuracy = 0.98  
    254. I1203 18:47:00.455976  4610 caffe.cpp:169] Batch 13, loss = 0.0450225  
    255. I1203 18:47:00.457484  4610 caffe.cpp:169] Batch 14, accuracy = 1  
    256. I1203 18:47:00.457504  4610 caffe.cpp:169] Batch 14, loss = 0.00531614  
    257. I1203 18:47:00.459038  4610 caffe.cpp:169] Batch 15, accuracy = 0.98  
    258. I1203 18:47:00.459056  4610 caffe.cpp:169] Batch 15, loss = 0.065209  
    259. I1203 18:47:00.460577  4610 caffe.cpp:169] Batch 16, accuracy = 0.98  
    260. I1203 18:47:00.460597  4610 caffe.cpp:169] Batch 16, loss = 0.0520317  
    261. I1203 18:47:00.462123  4610 caffe.cpp:169] Batch 17, accuracy = 0.99  
    262. I1203 18:47:00.462143  4610 caffe.cpp:169] Batch 17, loss = 0.0328681  
    263. I1203 18:47:00.463656  4610 caffe.cpp:169] Batch 18, accuracy = 0.99  
    264. I1203 18:47:00.463676  4610 caffe.cpp:169] Batch 18, loss = 0.0175973  
    265. I1203 18:47:00.465188  4610 caffe.cpp:169] Batch 19, accuracy = 0.97  
    266. I1203 18:47:00.465208  4610 caffe.cpp:169] Batch 19, loss = 0.0576884  
    267. I1203 18:47:00.466749  4610 caffe.cpp:169] Batch 20, accuracy = 0.97  
    268. I1203 18:47:00.466769  4610 caffe.cpp:169] Batch 20, loss = 0.0850501  
    269. I1203 18:47:00.468278  4610 caffe.cpp:169] Batch 21, accuracy = 0.98  
    270. I1203 18:47:00.468298  4610 caffe.cpp:169] Batch 21, loss = 0.0676049  
    271. I1203 18:47:00.469805  4610 caffe.cpp:169] Batch 22, accuracy = 0.99  
    272. I1203 18:47:00.469825  4610 caffe.cpp:169] Batch 22, loss = 0.0448538  
    273. I1203 18:47:00.471328  4610 caffe.cpp:169] Batch 23, accuracy = 0.97  
    274. I1203 18:47:00.471349  4610 caffe.cpp:169] Batch 23, loss = 0.0333992  
    275. I1203 18:47:00.487124  4610 caffe.cpp:169] Batch 24, accuracy = 1  
    276. I1203 18:47:00.487180  4610 caffe.cpp:169] Batch 24, loss = 0.0281527  
    277. I1203 18:47:00.489002  4610 caffe.cpp:169] Batch 25, accuracy = 0.99  
    278. I1203 18:47:00.489048  4610 caffe.cpp:169] Batch 25, loss = 0.0545881  
    279. I1203 18:47:00.490890  4610 caffe.cpp:169] Batch 26, accuracy = 0.98  
    280. I1203 18:47:00.490932  4610 caffe.cpp:169] Batch 26, loss = 0.115576  
    281. I1203 18:47:00.492620  4610 caffe.cpp:169] Batch 27, accuracy = 1  
    282. I1203 18:47:00.492640  4610 caffe.cpp:169] Batch 27, loss = 0.0149555  
    283. I1203 18:47:00.494161  4610 caffe.cpp:169] Batch 28, accuracy = 0.98  
    284. I1203 18:47:00.494181  4610 caffe.cpp:169] Batch 28, loss = 0.0398991  
    285. I1203 18:47:00.495693  4610 caffe.cpp:169] Batch 29, accuracy = 0.96  
    286. I1203 18:47:00.495713  4610 caffe.cpp:169] Batch 29, loss = 0.115862  
    287. I1203 18:47:00.497226  4610 caffe.cpp:169] Batch 30, accuracy = 1  
    288. I1203 18:47:00.497246  4610 caffe.cpp:169] Batch 30, loss = 0.0116793  
    289. I1203 18:47:00.498785  4610 caffe.cpp:169] Batch 31, accuracy = 1  
    290. I1203 18:47:00.498817  4610 caffe.cpp:169] Batch 31, loss = 0.00451814  
    291. I1203 18:47:00.500329  4610 caffe.cpp:169] Batch 32, accuracy = 0.98  
    292. I1203 18:47:00.500349  4610 caffe.cpp:169] Batch 32, loss = 0.0244668  
    293. I1203 18:47:00.501878  4610 caffe.cpp:169] Batch 33, accuracy = 1  
    294. I1203 18:47:00.501899  4610 caffe.cpp:169] Batch 33, loss = 0.00285445  
    295. I1203 18:47:00.503411  4610 caffe.cpp:169] Batch 34, accuracy = 0.98  
    296. I1203 18:47:00.503429  4610 caffe.cpp:169] Batch 34, loss = 0.0566256  
    297. I1203 18:47:00.504940  4610 caffe.cpp:169] Batch 35, accuracy = 0.95  
    298. I1203 18:47:00.504961  4610 caffe.cpp:169] Batch 35, loss = 0.154924  
    299. I1203 18:47:00.506500  4610 caffe.cpp:169] Batch 36, accuracy = 1  
    300. I1203 18:47:00.506520  4610 caffe.cpp:169] Batch 36, loss = 0.00451233  
    301. I1203 18:47:00.508111  4610 caffe.cpp:169] Batch 37, accuracy = 0.97  
    302. I1203 18:47:00.508131  4610 caffe.cpp:169] Batch 37, loss = 0.0572309  
    303. I1203 18:47:00.509635  4610 caffe.cpp:169] Batch 38, accuracy = 0.99  
    304. I1203 18:47:00.509655  4610 caffe.cpp:169] Batch 38, loss = 0.0192229  
    305. I1203 18:47:00.511181  4610 caffe.cpp:169] Batch 39, accuracy = 0.99  
    306. I1203 18:47:00.511200  4610 caffe.cpp:169] Batch 39, loss = 0.029272  
    307. I1203 18:47:00.512725  4610 caffe.cpp:169] Batch 40, accuracy = 0.99  
    308. I1203 18:47:00.512745  4610 caffe.cpp:169] Batch 40, loss = 0.0258552  
    309. I1203 18:47:00.514317  4610 caffe.cpp:169] Batch 41, accuracy = 0.99  
    310. I1203 18:47:00.514338  4610 caffe.cpp:169] Batch 41, loss = 0.0752082  
    311. I1203 18:47:00.515854  4610 caffe.cpp:169] Batch 42, accuracy = 1  
    312. I1203 18:47:00.515873  4610 caffe.cpp:169] Batch 42, loss = 0.0283319  
    313. I1203 18:47:00.517379  4610 caffe.cpp:169] Batch 43, accuracy = 0.99  
    314. I1203 18:47:00.517398  4610 caffe.cpp:169] Batch 43, loss = 0.0112394  
    315. I1203 18:47:00.518925  4610 caffe.cpp:169] Batch 44, accuracy = 0.98  
    316. I1203 18:47:00.518946  4610 caffe.cpp:169] Batch 44, loss = 0.0413653  
    317. I1203 18:47:00.520457  4610 caffe.cpp:169] Batch 45, accuracy = 0.98  
    318. I1203 18:47:00.520478  4610 caffe.cpp:169] Batch 45, loss = 0.0501227  
    319. I1203 18:47:00.521989  4610 caffe.cpp:169] Batch 46, accuracy = 1  
    320. I1203 18:47:00.522009  4610 caffe.cpp:169] Batch 46, loss = 0.0114459  
    321. I1203 18:47:00.523540  4610 caffe.cpp:169] Batch 47, accuracy = 1  
    322. I1203 18:47:00.523561  4610 caffe.cpp:169] Batch 47, loss = 0.0163504  
    323. I1203 18:47:00.525075  4610 caffe.cpp:169] Batch 48, accuracy = 0.97  
    324. I1203 18:47:00.525095  4610 caffe.cpp:169] Batch 48, loss = 0.0450363  
    325. I1203 18:47:00.526633  4610 caffe.cpp:169] Batch 49, accuracy = 1  
    326. I1203 18:47:00.526651  4610 caffe.cpp:169] Batch 49, loss = 0.0046898  
    327. I1203 18:47:00.526662  4610 caffe.cpp:174] Loss: 0.041468  
    328. I1203 18:47:00.526674  4610 caffe.cpp:186] accuracy = 0.9856  
    329. I1203 18:47:00.526687  4610 caffe.cpp:186] loss = 0.041468 (* 1 = 0.041468 loss)  
posted @ 2015-12-02 11:18  菜鸡一枚  阅读(633)  评论(0)  编辑  收藏  举报