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?

  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?

  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. layers {
  33. name: "conv1"
  34. type: CONVOLUTION
  35. bottom: "data"
  36. top: "conv1"
  37. blobs_lr: 1
  38. blobs_lr: 2
  39. convolution_param {
  40. num_output: 20
  41. kernel_size: 5
  42. stride: 1
  43. weight_filler {
  44. type: "xavier"
  45. }
  46. bias_filler {
  47. type: "constant"
  48. }
  49. }
  50. }
  51. layers {
  52. name: "pool1"
  53. type: POOLING
  54. bottom: "conv1"
  55. top: "pool1"
  56. pooling_param {
  57. pool: MAX
  58. kernel_size: 2
  59. stride: 2
  60. }
  61. }
  62. layers {
  63. name: "conv2"
  64. type: CONVOLUTION
  65. bottom: "pool1"
  66. top: "conv2"
  67. blobs_lr: 1
  68. blobs_lr: 2
  69. convolution_param {
  70. num_output: 50
  71. kernel_size: 5
  72. stride: 1
  73. weight_filler {
  74. type: "xavier"
  75. }
  76. bias_filler {
  77. type: "constant"
  78. }
  79. }
  80. }
  81. layers {
  82. name: "pool2"
  83. type: POOLING
  84. bottom: "conv2"
  85. top: "pool2"
  86. pooling_param {
  87. pool: MAX
  88. kernel_size: 2
  89. stride: 2
  90. }
  91. }
  92. layers {
  93. name: "ip1"
  94. type: INNER_PRODUCT
  95. bottom: "pool2"
  96. top: "ip1"
  97. blobs_lr: 1
  98. blobs_lr: 2
  99. inner_product_param {
  100. num_output: 500
  101. weight_filler {
  102. type: "xavier"
  103. }
  104. bias_filler {
  105. type: "constant"
  106. }
  107. }
  108. }
  109. layers {
  110. name: "relu1"
  111. type: RELU
  112. bottom: "ip1"
  113. top: "ip1"
  114. }
  115. layers {
  116. name: "ip2"
  117. type: INNER_PRODUCT
  118. bottom: "ip1"
  119. top: "ip2"
  120. blobs_lr: 1
  121. blobs_lr: 2
  122. inner_product_param {
  123. num_output: 10
  124. weight_filler {
  125. type: "xavier"
  126. }
  127. bias_filler {
  128. type: "constant"
  129. }
  130. }
  131. }
  132. layers {
  133. name: "accuracy"
  134. type: ACCURACY
  135. bottom: "ip2"
  136. bottom: "label"
  137. top: "accuracy"
  138. include: { phase: TEST }
  139. }
  140. layers {
  141. name: "loss"
  142. type: SOFTMAX_LOSS
  143. bottom: "ip2"
  144. bottom: "label"
  145. top: "loss"
  146. }

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?

    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)
时间： 2024-10-01 02:10:00

Caffe代码导读（5）：对数据集进行Testing的相关文章

Caffe代码导读（4）：数据集准备

Caffe代码导读(4):数据集准备 Caffe上面有两个比较简单的例子:MNIST和CIFAR-10,前者是用于手写数字识别的,后者用于小图片分类.这两个数据集可以在Caffe源码框架中用脚本(CAFFE_ROOT/data/mnist/get_mnist.sh和CAFFE_ROOT/data/cifar10/get_cifar10.sh)下载,如下图所示: [plain] view plaincopyprint? $ ./get_cifar10.sh Downloading... --201

SSD（single shot multibox detector）算法及Caffe代码详解[转]

这篇博客主要介绍SSD算法,该算法是最近一年比较优秀的object detection算法,主要特点在于采用了特征融合. 论文:SSD single shot multibox detector论文链接:https://arxiv.org/abs/1512.02325 算法概述: 本文提出的SSD算法是一种直接预测bounding box的坐标和类别的object detection算法,没有生成proposal的过程.针对不同大小的物体检测,传统的做法是将图像转换成不同的大小,然后分别处理,最

【代码导读】Github 开源项目——wysihtml5 富编辑器（Bootstrap 风格）【二】

如果您意外进入该页面,或许从下述链接开始更容易理解: [代码导读]Github 开源项目——wysihtml5 富编辑器(Bootstrap 风格)[一] 1. 整体结构 在 wysihtml5 中,所有对象受 wysihtml5 命令空间保护,从其初始化定义看,整个代码架构一目了然: https://github.com/xing/wysihtml5/blob/master/src/wysihtml5.js 1 var wysihtml5 = { 2 version: "0.4.0pre&qu

转载：深度学习caffe代码怎么读

原文地址:https://www.zhihu.com/question/27982282 Gein Chen的回答 Many thanks —————————————————————————————————————————— 1．学习程序的第一步,先让程序跑起来,看看结果,这样就会有直观的感受.Caffe的官网上Caffe | Deep Learning Framework 提供了很多的examples,你可以很容易地开始训练一些已有的经典模型,如LeNet.我建议先从 LeNet MNIST

caffe 训练测试自己的数据集

简单记录一下自己使用caffe的过程和遇到的一些问题. 下载caffe以及安装不详细叙述了, 可参照 http://caffe.berkeleyvision.org/installation.html. 下面准备数据集和训练的过程参照imagenet的过程:可参考  http://drubiano.github.io/2014/06/18/caffe-custom-data.html 1. 将数据集分为train和validate, 分别写到train.txt和val.txt中. 格式每一行文件

梳理caffe代码blob(三)

贯穿整个caffe的就是数据blob: #ifndef CAFFE_BLOB_HPP_ #define CAFFE_BLOB_HPP_ #include <algorithm> #include <string> #include <vector> #include "caffe/common.hpp" #include "caffe/proto/caffe.pb.h" #include "caffe/syncedmem

梳理caffe代码net(四)

net定义网络, 整个网络中含有很多layers, net.cpp负责计算整个网络在训练中的forward, backward过程, 即计算forward/backward 时各layer的gradient. 看一下官网的英文描述: The forward and backward passes are the essential computations of a Net. Let's consider a simple logistic regression classifier. The

【Caffe代码解析】compute_image_mean

功能: 计算训练数据库的平均图像. 由于平均归一化训练图像会对结果有提升,所以Caffe里面,提供了一个可选项. 用法: compute_image_mean [FLAGS] INPUT_DB [OUTPUT_FILE]\n") 參数:INPUT_DB: 数据库 參数(可选):OUTPUT_FILE: 输出文件名称,不提供的话,不保存平均图像blob 实现方法: 数据源:求平均图像的方法是直接从数据库(LevelDB或者LMDB)里面直接读取出来的,而不是直接用图像数据库里面求出,意味着,必须先

caffe代码阅读8: Data_layers的实现细节（各个数据读取层的实现细节） 2016.3.25-28

一.Data_layers.hpp文件的作用简介 Data_layers.hpp在目前caffe的master分支中已经不能存在了,分散到各个文件中去了. 而之前是存在于cafferoot\include\caffe中.现在已经变成了各个类的名称的头文件了.这里做个提醒 首先给出这个文件中所包含的几个与数据读取有关的类. 分别为: BaseDataLayer 数据层的基类,继承自通用的类Layer Batch Batch实际上就是一个data_和label_类标 BasePrefetchingD