学习笔记：Caffe上配置和运行Cifar10的示例

学习笔记：Caffe上配置和运行Cifar10的示例

CIFAR-10数据集含有6万个32*32的彩色图像，共分为10种类型，由 Alex Krizhevsky, Vinod Nair和 Geoffrey Hinton收集而来。包含50000张训练图片，10000张测试图片

http://www.cs.toronto.edu/~kriz/cifar.html

数据集的数据存在一个10000*3072 的 numpy数组中，单位是uint8s，3072是存储了一个32*32的彩色图像。（3072=1024*3）。前1024位是r值，中间1024是g值，后面1024是b值。

首先准备数据集：

cd $CAFFE_ROOT/data/cifar10

./get_cifar10.sh

[html] view plaincopy

  1. [[email protected] cifar10]# ./get_cifar10.sh
  2. Downloading...
  3. --2015-03-09 18:38:23--  http://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz
  4. Resolving www.cs.toronto.edu... 128.100.3.30
  5. Connecting to www.cs.toronto.edu|128.100.3.30|:80... connected.
  6. HTTP request sent, awaiting response... 200 OK
  7. Length: 170052171 (162M) [application/x-gzip]
  8. Saving to: 鈥渃ifar-10-binary.tar.gz鈥
  9. 100%[=============================================================>] 170,052,171 1.66M/s   in 5m 22s

[html] view plaincopy

  1. Unzipping...
  2. Done.

然后进入目录 执行

cd $CAFFE_ROOT/examples/cifar10

./create_cifar10.sh

create_cifar10.sh 源代码如下，我们可以看到，所做的工作就是将图片库转成leveldb格式，并计算均值二进制文件

[html] view plaincopy

  1. #!/usr/bin/env sh
  2. # This script converts the cifar data into leveldb format.
  3. EXAMPLE=examples/cifar10
  4. DATA=data/cifar10
  5. echo "Creating leveldb..."
  6. rm -rf $EXAMPLE/cifar10_train_leveldb $EXAMPLE/cifar10_test_leveldb
  7. ./build/examples/cifar10/convert_cifar_data.bin $DATA $EXAMPLE
  8. echo "Computing image mean..."
  9. ./build/tools/compute_image_mean $EXAMPLE/cifar10_train_leveldb \
  10. $EXAMPLE/mean.binaryproto leveldb
  11. echo "Done."

运行之后，将会在examples中出现数据库文件./cifar10-leveldb和数据库图像均值二进制文件./mean.binaryproto

[html] view plaincopy

  1. [[email protected] caffe]# ./examples/cifar10/create_cifar10.sh
  2. Creating leveldb...
  3. Computing image mean...
  4. E0309 18:50:12.026103 18241 compute_image_mean.cpp:114] Processed 10000 files.
  5. E0309 18:50:12.094758 18241 compute_image_mean.cpp:114] Processed 20000 files.
  6. E0309 18:50:12.163048 18241 compute_image_mean.cpp:114] Processed 30000 files.
  7. E0309 18:50:12.231233 18241 compute_image_mean.cpp:114] Processed 40000 files.
  8. E0309 18:50:12.299324 18241 compute_image_mean.cpp:114] Processed 50000 files.
  9. Done.

模型描述在examples/cifar10/cifar10_quick_solver.prototxt，和examples/cifar10/cifar10_quick_train_test.prototxt 中。

[html] view plaincopy

  1. # reduce the learning rate after 8 epochs (4000 iters) by a factor of 10
  2. # The train/test net protocol buffer definition
  3. net: "examples/cifar10/cifar10_quick_train_test.prototxt"
  4. # test_iter specifies how many forward passes the test should carry out.
  5. # In the case of MNIST, we have test batch size 100 and 100 test iterations,
  6. # covering the full 10,000 testing images.
  7. test_iter: 100
  8. # Carry out testing every 500 training iterations.
  9. test_interval: 500
  10. # The base learning rate, momentum and the weight decay of the network.
  11. base_lr: 0.001
  12. momentum: 0.9
  13. weight_decay: 0.004
  14. # The learning rate policy
  15. lr_policy: "fixed"
  16. # Display every 100 iterations
  17. display: 100
  18. # The maximum number of iterations
  19. max_iter: 4000
  20. # snapshot intermediate results
  21. snapshot: 4000
  22. snapshot_prefix: "examples/cifar10/cifar10_quick"
  23. # solver mode: CPU or GPU
  24. solver_mode: CPU
  25. ~

[html] view plaincopy

  1. name: "CIFAR10_quick"
  2. layers {
  3. name: "cifar"
  4. type: DATA
  5. top: "data"
  6. top: "label"
  7. data_param {
  8. source: "examples/cifar10/cifar10_train_leveldb"
  9. batch_size: 100
  10. }
  11. transform_param {
  12. mean_file: "examples/cifar10/mean.binaryproto"
  13. }
  14. include: { phase: TRAIN }
  15. }
  16. layers {
  17. name: "cifar"
  18. type: DATA
  19. top: "data"
  20. top: "label"
  21. data_param {
  22. source: "examples/cifar10/cifar10_test_leveldb"
  23. batch_size: 100
  24. }
  25. transform_param {
  26. mean_file: "examples/cifar10/mean.binaryproto"
  27. }
  28. include: { phase: TEST }
  29. }
  30. layers {
  31. name: "conv1"
  32. type: CONVOLUTION
  33. bottom: "data"
  34. top: "conv1"
  35. blobs_lr: 1
  36. blobs_lr: 2
  37. convolution_param {
  38. num_output: 32
  39. pad: 2
  40. kernel_size: 5
  41. stride: 1
  42. weight_filler {
  43. type: "gaussian"
  44. std: 0.0001
  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: 3
  59. stride: 2
  60. }
  61. }
  62. layers {
  63. name: "relu1"
  64. type: RELU
  65. bottom: "pool1"
  66. top: "pool1"
  67. }
  68. layers {
  69. name: "conv2"
  70. type: CONVOLUTION
  71. bottom: "pool1"
  72. top: "conv2"
  73. blobs_lr: 1
  74. blobs_lr: 2
  75. convolution_param {
  76. num_output: 32
  77. pad: 2
  78. kernel_size: 5
  79. stride: 1
  80. weight_filler {
  81. type: "gaussian"
  82. std: 0.01
  83. }
  84. bias_filler {
  85. type: "constant"
  86. }
  87. }
  88. }
  89. layers {
  90. name: "relu2"
  91. type: RELU
  92. bottom: "conv2"
  93. top: "conv2"
  94. }
  95. layers {
  96. name: "pool2"
  97. type: POOLING
  98. bottom: "conv2"
  99. top: "pool2"
  100. pooling_param {
  101. pool: AVE
  102. kernel_size: 3
  103. stride: 2
  104. }
  105. }
  106. layers {
  107. name: "conv3"
  108. type: CONVOLUTION
  109. bottom: "pool2"
  110. top: "conv3"
  111. blobs_lr: 1
  112. blobs_lr: 2
  113. convolution_param {
  114. num_output: 64
  115. pad: 2
  116. kernel_size: 5
  117. stride: 1
  118. weight_filler {
  119. type: "gaussian"
  120. std: 0.01
  121. }
  122. bias_filler {
  123. type: "constant"
  124. }
  125. }
  126. }
  127. layers {
  128. name: "relu3"
  129. type: RELU
  130. bottom: "conv3"
  131. top: "conv3"
  132. }
  133. layers {
  134. name: "pool3"
  135. type: POOLING
  136. bottom: "conv3"
  137. top: "pool3"
  138. pooling_param {
  139. pool: AVE
  140. kernel_size: 3
  141. stride: 2
  142. }
  143. }
  144. layers {
  145. name: "ip1"
  146. type: INNER_PRODUCT
  147. bottom: "pool3"
  148. top: "ip1"
  149. blobs_lr: 1
  150. blobs_lr: 2
  151. inner_product_param {
  152. num_output: 64
  153. weight_filler {
  154. type: "gaussian"
  155. std: 0.1
  156. }
  157. bias_filler {
  158. type: "constant"
  159. }
  160. }
  161. }
  162. layers {
  163. name: "ip2"
  164. type: INNER_PRODUCT
  165. bottom: "ip1"
  166. top: "ip2"
  167. blobs_lr: 1
  168. blobs_lr: 2
  169. inner_product_param {
  170. num_output: 10
  171. weight_filler {
  172. type: "gaussian"
  173. std: 0.1
  174. }
  175. bias_filler {
  176. type: "constant"
  177. }
  178. }
  179. }
  180. layers {
  181. name: "accuracy"
  182. type: ACCURACY
  183. bottom: "ip2"
  184. bottom: "label"
  185. top: "accuracy"
  186. include: { phase: TEST }
  187. }
  188. layers {
  189. name: "loss"
  190. type: SOFTMAX_LOSS
  191. bottom: "ip2"
  192. bottom: "label"
  193. top: "loss"
  194. }

模型训练是 执行train_quick.sh ，内容如下

[html] view plaincopy

  1. [[email protected] cifar10]# vi train_quick.sh
  2. #!/usr/bin/env sh
  3. TOOLS=./build/tools
  4. $TOOLS/caffe train \
  5. --solver=examples/cifar10/cifar10_quick_solver.prototxt
  6. # reduce learning rate by factor of 10 after 8 epochs
  7. $TOOLS/caffe train \
  8. --solver=examples/cifar10/cifar10_quick_solver_lr1.prototxt \
  9. --snapshot=examples/cifar10/cifar10_quick_iter_4000.solverstate
  10. ~

执行结果如下：

[html] view plaincopy

  1. I0313 00:40:24.471531 13825 net.cpp:56] Memory required for data: 0
  2. I0313 00:40:24.471560 13825 net.cpp:67] Creating Layer cifar
  3. I0313 00:40:24.471570 13825 net.cpp:356] cifar -> data
  4. I0313 00:40:24.471585 13825 net.cpp:356] cifar -> label
  5. I0313 00:40:24.471596 13825 net.cpp:96] Setting up cifar
  6. I0313 00:40:24.471602 13825 data_layer.cpp:45] Opening leveldb examples/cifar10/cifar10_test_leveldb
  7. I0313 00:40:24.549324 13825 data_layer.cpp:128] output data size: 100,3,32,32
  8. I0313 00:40:24.549372 13825 base_data_layer.cpp:36] Loading mean file fromexamples/cifar10/mean.binaryproto
  9. I0313 00:40:24.550582 13825 base_data_layer.cpp:64] Initializing prefetch
  10. I0313 00:40:24.550639 13825 base_data_layer.cpp:66] Prefetch initialized.
  11. I0313 00:40:24.550683 13825 net.cpp:103] Top shape: 100 3 32 32 (307200)
  12. I0313 00:40:24.550698 13825 net.cpp:103] Top shape: 100 1 1 1 (100)
  13. I0313 00:40:24.550709 13825 net.cpp:113] Memory required for data: 1229200
  14. I0313 00:40:24.550734 13825 net.cpp:67] Creating Layer label_cifar_1_split
  15. I0313 00:40:24.550750 13825 net.cpp:394] label_cifar_1_split <- label
  16. I0313 00:40:24.550775 13825 net.cpp:356] label_cifar_1_split -> label_cifar_1_split_0
  17. I0313 00:40:24.550802 13825 net.cpp:356] label_cifar_1_split -> label_cifar_1_split_1
  18. I0313 00:40:24.550824 13825 net.cpp:96] Setting up label_cifar_1_split
  19. I0313 00:40:24.550843 13825 net.cpp:103] Top shape: 100 1 1 1 (100)
  20. I0313 00:40:24.550855 13825 net.cpp:103] Top shape: 100 1 1 1 (100)
  21. I0313 00:40:24.550866 13825 net.cpp:113] Memory required for data: 1230000
  22. I0313 00:40:24.550889 13825 net.cpp:67] Creating Layer conv1
  23. I0313 00:40:24.550902 13825 net.cpp:394] conv1 <- data
  24. I0313 00:40:24.550926 13825 net.cpp:356] conv1 -> conv1
  25. I0313 00:40:24.550951 13825 net.cpp:96] Setting up conv1
  26. I0313 00:40:24.551573 13825 net.cpp:103] Top shape: 100 32 32 32 (3276800)
  27. I0313 00:40:24.551583 13825 net.cpp:113] Memory required for data: 14337200
  28. I0313 00:40:24.551599 13825 net.cpp:67] Creating Layer pool1
  29. I0313 00:40:24.551605 13825 net.cpp:394] pool1 <- conv1
  30. I0313 00:40:24.551615 13825 net.cpp:356] pool1 -> pool1
  31. I0313 00:40:24.551625 13825 net.cpp:96] Setting up pool1
  32. I0313 00:40:24.551633 13825 net.cpp:103] Top shape: 100 32 16 16 (819200)
  33. I0313 00:40:24.551638 13825 net.cpp:113] Memory required for data: 17614000
  34. I0313 00:40:24.551652 13825 net.cpp:67] Creating Layer relu1
  35. I0313 00:40:24.551658 13825 net.cpp:394] relu1 <- pool1
  36. I0313 00:40:24.551667 13825 net.cpp:345] relu1 -> pool1 (in-place)
  37. I0313 00:40:24.551676 13825 net.cpp:96] Setting up relu1
  38. I0313 00:40:24.551682 13825 net.cpp:103] Top shape: 100 32 16 16 (819200)
  39. I0313 00:40:24.551687 13825 net.cpp:113] Memory required for data: 20890800
  40. I0313 00:40:24.551695 13825 net.cpp:67] Creating Layer conv2
  41. I0313 00:40:24.551700 13825 net.cpp:394] conv2 <- pool1
  42. I0313 00:40:24.551710 13825 net.cpp:356] conv2 -> conv2
  43. I0313 00:40:24.551720 13825 net.cpp:96] Setting up conv2
  44. I0313 00:40:24.554986 13825 net.cpp:103] Top shape: 100 32 16 16 (819200)
  45. I0313 00:40:24.554996 13825 net.cpp:113] Memory required for data: 24167600
  46. I0313 00:40:24.555009 13825 net.cpp:67] Creating Layer relu2
  47. I0313 00:40:24.555024 13825 net.cpp:394] relu2 <- conv2
  48. I0313 00:40:24.555034 13825 net.cpp:345] relu2 -> conv2 (in-place)
  49. I0313 00:40:24.555043 13825 net.cpp:96] Setting up relu2
  50. I0313 00:40:24.555049 13825 net.cpp:103] Top shape: 100 32 16 16 (819200)
  51. I0313 00:40:24.555054 13825 net.cpp:113] Memory required for data: 27444400
  52. I0313 00:40:24.555061 13825 net.cpp:67] Creating Layer pool2
  53. I0313 00:40:24.555068 13825 net.cpp:394] pool2 <- conv2
  54. I0313 00:40:24.555076 13825 net.cpp:356] pool2 -> pool2
  55. I0313 00:40:24.555085 13825 net.cpp:96] Setting up pool2
  56. I0313 00:40:24.555094 13825 net.cpp:103] Top shape: 100 32 8 8 (204800)
  57. I0313 00:40:24.555099 13825 net.cpp:113] Memory required for data: 28263600
  58. I0313 00:40:24.555109 13825 net.cpp:67] Creating Layer conv3
  59. I0313 00:40:24.555114 13825 net.cpp:394] conv3 <- pool2
  60. I0313 00:40:24.555124 13825 net.cpp:356] conv3 -> conv3
  61. I0313 00:40:24.555135 13825 net.cpp:96] Setting up conv3
  62. I0313 00:40:24.561589 13825 net.cpp:103] Top shape: 100 64 8 8 (409600)
  63. I0313 00:40:24.561599 13825 net.cpp:113] Memory required for data: 29902000
  64. I0313 00:40:24.561611 13825 net.cpp:67] Creating Layer relu3
  65. I0313 00:40:24.561619 13825 net.cpp:394] relu3 <- conv3
  66. I0313 00:40:24.561627 13825 net.cpp:345] relu3 -> conv3 (in-place)
  67. I0313 00:40:24.561636 13825 net.cpp:96] Setting up relu3
  68. I0313 00:40:24.561642 13825 net.cpp:103] Top shape: 100 64 8 8 (409600)
  69. I0313 00:40:24.561646 13825 net.cpp:113] Memory required for data: 31540400
  70. I0313 00:40:24.561655 13825 net.cpp:67] Creating Layer pool3
  71. I0313 00:40:24.561661 13825 net.cpp:394] pool3 <- conv3
  72. I0313 00:40:24.561669 13825 net.cpp:356] pool3 -> pool3
  73. I0313 00:40:24.561678 13825 net.cpp:96] Setting up pool3
  74. I0313 00:40:24.561686 13825 net.cpp:103] Top shape: 100 64 4 4 (102400)
  75. I0313 00:40:24.561691 13825 net.cpp:113] Memory required for data: 31950000
  76. I0313 00:40:24.561699 13825 net.cpp:67] Creating Layer ip1
  77. I0313 00:40:24.561704 13825 net.cpp:394] ip1 <- pool3
  78. I0313 00:40:24.561714 13825 net.cpp:356] ip1 -> ip1
  79. I0313 00:40:24.561724 13825 net.cpp:96] Setting up ip1
  80. I0313 00:40:24.569967 13825 net.cpp:103] Top shape: 100 64 1 1 (6400)
  81. I0313 00:40:24.569975 13825 net.cpp:113] Memory required for data: 31975600
  82. I0313 00:40:24.569988 13825 net.cpp:67] Creating Layer ip2
  83. I0313 00:40:24.569993 13825 net.cpp:394] ip2 <- ip1
  84. I0313 00:40:24.570004 13825 net.cpp:356] ip2 -> ip2
  85. I0313 00:40:24.570014 13825 net.cpp:96] Setting up ip2
  86. I0313 00:40:24.570108 13825 net.cpp:103] Top shape: 100 10 1 1 (1000)
  87. I0313 00:40:24.570114 13825 net.cpp:113] Memory required for data: 31979600
  88. I0313 00:40:24.570127 13825 net.cpp:67] Creating Layer ip2_ip2_0_split
  89. I0313 00:40:24.570134 13825 net.cpp:394] ip2_ip2_0_split <- ip2
  90. I0313 00:40:24.570143 13825 net.cpp:356] ip2_ip2_0_split -> ip2_ip2_0_split_0
  91. I0313 00:40:24.570154 13825 net.cpp:356] ip2_ip2_0_split -> ip2_ip2_0_split_1
  92. I0313 00:40:24.570163 13825 net.cpp:96] Setting up ip2_ip2_0_split
  93. I0313 00:40:24.570171 13825 net.cpp:103] Top shape: 100 10 1 1 (1000)
  94. I0313 00:40:24.570176 13825 net.cpp:103] Top shape: 100 10 1 1 (1000)
  95. I0313 00:40:24.570181 13825 net.cpp:113] Memory required for data: 31987600
  96. I0313 00:40:24.570189 13825 net.cpp:67] Creating Layer accuracy
  97. I0313 00:40:24.570194 13825 net.cpp:394] accuracy <- ip2_ip2_0_split_0
  98. I0313 00:40:24.570202 13825 net.cpp:394] accuracy <- label_cifar_1_split_0
  99. I0313 00:40:24.570214 13825 net.cpp:356] accuracy -> accuracy
  100. I0313 00:40:24.570222 13825 net.cpp:96] Setting up accuracy
  101. I0313 00:40:24.570230 13825 net.cpp:103] Top shape: 1 1 1 1 (1)
  102. I0313 00:40:24.570235 13825 net.cpp:113] Memory required for data: 31987604
  103. I0313 00:40:24.570245 13825 net.cpp:67] Creating Layer loss
  104. I0313 00:40:24.570250 13825 net.cpp:394] loss <- ip2_ip2_0_split_1
  105. I0313 00:40:24.570257 13825 net.cpp:394] loss <- label_cifar_1_split_1
  106. I0313 00:40:24.570266 13825 net.cpp:356] loss -> loss
  107. I0313 00:40:24.570274 13825 net.cpp:96] Setting up loss
  108. I0313 00:40:24.570286 13825 net.cpp:103] Top shape: 1 1 1 1 (1)
  109. I0313 00:40:24.570291 13825 net.cpp:109]     with loss weight 1
  110. I0313 00:40:24.570305 13825 net.cpp:113] Memory required for data: 31987608
  111. I0313 00:40:24.570312 13825 net.cpp:170] loss needs backward computation.
  112. I0313 00:40:24.570317 13825 net.cpp:172] accuracy does not need backward computation.
  113. I0313 00:40:24.570322 13825 net.cpp:170] ip2_ip2_0_split needs backward computation.
  114. I0313 00:40:24.570338 13825 net.cpp:170] ip2 needs backward computation.
  115. I0313 00:40:24.570349 13825 net.cpp:170] ip1 needs backward computation.
  116. I0313 00:40:24.570359 13825 net.cpp:170] pool3 needs backward computation.
  117. I0313 00:40:24.570372 13825 net.cpp:170] relu3 needs backward computation.
  118. I0313 00:40:24.570384 13825 net.cpp:170] conv3 needs backward computation.
  119. I0313 00:40:24.570396 13825 net.cpp:170] pool2 needs backward computation.
  120. I0313 00:40:24.570406 13825 net.cpp:170] relu2 needs backward computation.
  121. I0313 00:40:24.570420 13825 net.cpp:170] conv2 needs backward computation.
  122. I0313 00:40:24.570432 13825 net.cpp:170] relu1 needs backward computation.
  123. I0313 00:40:24.570442 13825 net.cpp:170] pool1 needs backward computation.
  124. I0313 00:40:24.570456 13825 net.cpp:170] conv1 needs backward computation.
  125. I0313 00:40:24.570471 13825 net.cpp:172] label_cifar_1_split does not need backward computation.
  126. I0313 00:40:24.570482 13825 net.cpp:172] cifar does not need backward computation.
  127. I0313 00:40:24.570494 13825 net.cpp:208] This network produces output accuracy
  128. I0313 00:40:24.570505 13825 net.cpp:208] This network produces output loss
  129. I0313 00:40:24.570536 13825 net.cpp:467] Collecting Learning Rate and Weight Decay.
  130. I0313 00:40:24.570549 13825 net.cpp:219] Network initialization done.
  131. I0313 00:40:24.570554 13825 net.cpp:220] Memory required for data: 31987608
  132. I0313 00:40:24.570590 13825 solver.cpp:41] Solver scaffolding done.
  133. I0313 00:40:24.570595 13825 solver.cpp:160] Solving CIFAR10_quick
  134. I0313 00:40:24.570600 13825 solver.cpp:161] Learning Rate Policy: fixed
  135. I0313 00:40:24.570631 13825 solver.cpp:264] Iteration 0, Testing net (#0)
  136. I0313 00:40:24.570639 13825 net.cpp:652] Copying source layer cifar
  137. I0313 00:40:24.570644 13825 net.cpp:652] Copying source layer conv1
  138. I0313 00:40:24.570652 13825 net.cpp:652] Copying source layer pool1
  139. I0313 00:40:24.570657 13825 net.cpp:652] Copying source layer relu1
  140. I0313 00:40:24.570662 13825 net.cpp:652] Copying source layer conv2
  141. I0313 00:40:24.570667 13825 net.cpp:652] Copying source layer relu2
  142. I0313 00:40:24.570672 13825 net.cpp:652] Copying source layer pool2
  143. I0313 00:40:24.570677 13825 net.cpp:652] Copying source layer conv3
  144. I0313 00:40:24.570696 13825 net.cpp:652] Copying source layer relu3
  145. I0313 00:40:24.570703 13825 net.cpp:652] Copying source layer pool3
  146. I0313 00:40:24.570708 13825 net.cpp:652] Copying source layer ip1
  147. I0313 00:40:24.570724 13825 net.cpp:652] Copying source layer ip2
  148. I0313 00:40:24.570729 13825 net.cpp:652] Copying source layer loss
  149. }
  150. I0313 00:40:24.471531 13825 net.cpp:56] Memory required for data: 0
  151. I0313 00:40:24.471560 13825 net.cpp:67] Creating Layer cifar
  152. I0313 00:40:24.471570 13825 net.cpp:356] cifar -> data
  153. I0313 00:40:24.471585 13825 net.cpp:356] cifar -> label
  154. I0313 00:40:24.471596 13825 net.cpp:96] Setting up cifar
  155. I0313 00:40:24.471602 13825 data_layer.cpp:45] Opening leveldb examples/cifar10/cifar10_test_leveldb
  156. I0313 00:40:24.549324 13825 data_layer.cpp:128] output data size: 100,3,32,32
  157. I0313 00:40:24.549372 13825 base_data_layer.cpp:36] Loading mean file fromexamples/cifar10/mean.binaryproto
  158. I0313 00:40:24.550582 13825 base_data_layer.cpp:64] Initializing prefetch
  159. I0313 00:40:24.550639 13825 base_data_layer.cpp:66] Prefetch initialized.
  160. I0313 00:40:24.550683 13825 net.cpp:103] Top shape: 100 3 32 32 (307200)
  161. I0313 00:40:24.550698 13825 net.cpp:103] Top shape: 100 1 1 1 (100)
  162. I0313 00:40:24.550709 13825 net.cpp:113] Memory required for data: 1229200
  163. I0313 00:40:24.550734 13825 net.cpp:67] Creating Layer label_cifar_1_split
  164. I0313 00:40:24.550750 13825 net.cpp:394] label_cifar_1_split <- label
  165. I0313 00:40:24.550775 13825 net.cpp:356] label_cifar_1_split -> label_cifar_1_split_0
  166. I0313 00:40:24.550802 13825 net.cpp:356] label_cifar_1_split -> label_cifar_1_split_1
  167. I0313 00:40:24.550824 13825 net.cpp:96] Setting up label_cifar_1_split
  168. I0313 00:40:24.550843 13825 net.cpp:103] Top shape: 100 1 1 1 (100)
  169. I0313 00:40:24.550855 13825 net.cpp:103] Top shape: 100 1 1 1 (100)
  170. I0313 00:40:24.550866 13825 net.cpp:113] Memory required for data: 1230000
  171. I0313 00:40:24.550889 13825 net.cpp:67] Creating Layer conv1
  172. I0313 00:40:24.550902 13825 net.cpp:394] conv1 <- data
  173. I0313 00:40:24.550926 13825 net.cpp:356] conv1 -> conv1
  174. I0313 00:40:24.550951 13825 net.cpp:96] Setting up conv1
  175. I0313 00:40:24.551573 13825 net.cpp:103] Top shape: 100 32 32 32 (3276800)
  176. I0313 00:40:24.551583 13825 net.cpp:113] Memory required for data: 14337200
  177. I0313 00:40:24.551599 13825 net.cpp:67] Creating Layer pool1
  178. I0313 00:40:24.551605 13825 net.cpp:394] pool1 <- conv1
  179. I0313 00:40:24.551615 13825 net.cpp:356] pool1 -> pool1
  180. I0313 00:40:24.551625 13825 net.cpp:96] Setting up pool1
  181. I0313 00:40:24.551633 13825 net.cpp:103] Top shape: 100 32 16 16 (819200)
  182. I0313 00:40:24.551638 13825 net.cpp:113] Memory required for data: 17614000
  183. I0313 00:40:24.551652 13825 net.cpp:67] Creating Layer relu1
  184. I0313 00:40:24.551658 13825 net.cpp:394] relu1 <- pool1
  185. I0313 00:40:24.551667 13825 net.cpp:345] relu1 -> pool1 (in-place)
  186. I0313 00:40:24.551676 13825 net.cpp:96] Setting up relu1
  187. I0313 00:40:24.551682 13825 net.cpp:103] Top shape: 100 32 16 16 (819200)
  188. I0313 00:40:24.551687 13825 net.cpp:113] Memory required for data: 20890800
  189. I0313 00:40:24.551695 13825 net.cpp:67] Creating Layer conv2
  190. I0313 00:40:24.551700 13825 net.cpp:394] conv2 <- pool1
  191. I0313 00:40:24.551710 13825 net.cpp:356] conv2 -> conv2
  192. I0313 00:40:24.551720 13825 net.cpp:96] Setting up conv2
  193. I0313 00:40:24.554986 13825 net.cpp:103] Top shape: 100 32 16 16 (819200)
  194. I0313 00:40:24.554996 13825 net.cpp:113] Memory required for data: 24167600
  195. I0313 00:40:24.555009 13825 net.cpp:67] Creating Layer relu2
  196. I0313 00:40:24.555024 13825 net.cpp:394] relu2 <- conv2
  197. I0313 00:40:24.555034 13825 net.cpp:345] relu2 -> conv2 (in-place)
  198. I0313 00:40:24.555043 13825 net.cpp:96] Setting up relu2
  199. I0313 00:40:24.555049 13825 net.cpp:103] Top shape: 100 32 16 16 (819200)
  200. I0313 00:40:24.555054 13825 net.cpp:113] Memory required for data: 27444400
  201. I0313 00:40:24.555061 13825 net.cpp:67] Creating Layer pool2
  202. I0313 00:40:24.555068 13825 net.cpp:394] pool2 <- conv2
  203. I0313 00:40:24.555076 13825 net.cpp:356] pool2 -> pool2
  204. I0313 00:40:24.555085 13825 net.cpp:96] Setting up pool2
  205. I0313 00:40:24.555094 13825 net.cpp:103] Top shape: 100 32 8 8 (204800)
  206. I0313 00:40:24.555099 13825 net.cpp:113] Memory required for data: 28263600
  207. I0313 00:40:24.555109 13825 net.cpp:67] Creating Layer conv3
  208. I0313 00:40:24.555114 13825 net.cpp:394] conv3 <- pool2
  209. I0313 00:40:24.555124 13825 net.cpp:356] conv3 -> conv3
  210. I0313 00:40:24.555135 13825 net.cpp:96] Setting up conv3
  211. I0313 00:40:24.5I0313 00:41:19.945504 13934 data_layer.cpp:187] Restarting data prefetching from start.
  212. I0313 00:41:21.066936 13825 solver.cpp:315]     Test net output #0: accuracy = 0.0932
  213. I0313 00:41:21.066978 13825 solver.cpp:315]     Test net output #1: loss = 2.30265 (* 1 = 2.30265 loss)
  214. I0313 00:41:22.483836 13825 solver.cpp:209] Iteration 0, loss = 2.3028
  215. I0313 00:41:22.483877 13825 solver.cpp:224]     Train net output #0: loss = 2.3028 (* 1 = 2.3028 loss)
  216. I0313 00:41:22.483894 13825 solver.cpp:445] Iteration 0, lr = 0.001
  217. I0313 00:43:45.116195 13825 solver.cpp:209] Iteration 100, loss = 1.785
  218. I0313 00:43:45.116281 13825 solver.cpp:224]     Train net output #0: loss = 1.785 (* 1 = 1.785 loss)
  219. I0313 00:43:45.116291 13825 solver.cpp:445] Iteration 100, lr = 0.001
  220. I0313 00:46:07.567387 13825 solver.cpp:209] Iteration 200, loss = 1.62294
  221. I0313 00:46:07.567468 13825 solver.cpp:224]     Train net output #0: loss = 1.62294 (* 1 = 1.62294 loss)
  222. I0313 00:46:07.567479 13825 solver.cpp:445] Iteration 200, lr = 0.001
  223. I0313 00:48:30.618835 13825 solver.cpp:209] Iteration 300, loss = 1.34621
  224. I0313 00:48:30.618942 13825 solver.cpp:224]     Train net output #0: loss = 1.34621 (* 1 = 1.34621 loss)
  225. I0313 00:48:30.618953 13825 solver.cpp:445] Iteration 300, lr = 0.001

[html] view plaincopy

  1. I0313 00:50:52.191938 13825 solver.cpp:209] Iteration 400, loss = 1.28778
  2. I0313 00:50:52.192026 13825 solver.cpp:224]     Train net output #0: loss = 1.28778 (* 1 = 1.28778 loss)
  3. I0313 00:50:52.192037 13825 solver.cpp:445] Iteration 400, lr = 0.001
  4. I0313 00:53:09.941452 14527 data_layer.cpp:187] Restarting data prefetching from start.
  5. I0313 00:53:12.735488 13825 solver.cpp:264] Iteration 500, Testing net (#0)
  6. I0313 00:53:12.735517 13825 net.cpp:652] Copying source layer cifar
  7. I0313 00:53:12.735524 13825 net.cpp:652] Copying source layer conv1
  8. I0313 00:53:12.735530 13825 net.cpp:652] Copying source layer pool1
  9. I0313 00:53:12.735535 13825 net.cpp:652] Copying source layer relu1
  10. I0313 00:53:12.735540 13825 net.cpp:652] Copying source layer conv2
  11. I0313 00:53:12.735545 13825 net.cpp:652] Copying source layer relu2
  12. I0313 00:53:12.735550 13825 net.cpp:652] Copying source layer pool2
  13. I0313 00:53:12.735554 13825 net.cpp:652] Copying source layer conv3
  14. I0313 00:53:12.735560 13825 net.cpp:652] Copying source layer relu3
  15. I0313 00:53:12.735565 13825 net.cpp:652] Copying source layer pool3
  16. I0313 00:53:12.735569 13825 net.cpp:652] Copying source layer ip1
  17. I0313 00:53:12.735575 13825 net.cpp:652] Copying source layer ip2
  18. I0313 00:53:12.735580 13825 net.cpp:652] Copying source layer loss
  19. I0313 00:54:08.180796 14634 data_layer.cpp:187] Restarting data prefetching from start.
  20. I0313 00:54:09.297691 13825 solver.cpp:315]     Test net output #0: accuracy = 0.5571
  21. I0313 00:54:09.297731 13825 solver.cpp:315]     Test net output #1: loss = 1.271 (* 1 = 1.271 loss)
  22. I0313 00:54:10.695636 13825 solver.cpp:209] Iteration 500, loss = 1.20884
  23. I0313 00:54:10.695677 13825 solver.cpp:224]     Train net output #0: loss = 1.20884 (* 1 = 1.20884 loss)
  24. I0313 00:54:10.695686 13825 solver.cpp:445] Iteration 500, lr = 0.001
  25. I0313 00:56:32.906312 13825 solver.cpp:209] Iteration 600, loss = 1.18048
  26. I0313 00:56:32.906397 13825 solver.cpp:224]     Train net output #0: loss = 1.18048 (* 1 = 1.18048 loss)
  27. I0313 00:56:32.906407 13825 solver.cpp:445] Iteration 600, lr = 0.001

[html] view plaincopy

[html] view plaincopy

  1. ……

[html] view plaincopy

附上readme里面的解释

[html] view plaincopy

    1. When you run the code, you will see a lot of messages flying by like this:
    2. I0317 21:52:48.945710 2008298256 net.cpp:74] Creating Layer conv1
    3. I0317 21:52:48.945716 2008298256 net.cpp:84] conv1 <- data
    4. I0317 21:52:48.945725 2008298256 net.cpp:110] conv1 -> conv1
    5. I0317 21:52:49.298691 2008298256 net.cpp:125] Top shape: 100 32 32 32 (3276800)
    6. I0317 21:52:49.298719 2008298256 net.cpp:151] conv1 needs backward computation.
    7. These messages tell you the details about each layer, its connections and its output shape, which may be
    8. helpful in debugging. After the initialization, the training will start:
    9. I0317 21:52:49.309370 2008298256 net.cpp:166] Network initialization done.
    10. I0317 21:52:49.309376 2008298256 net.cpp:167] Memory required for Data 23790808
    11. I0317 21:52:49.309422 2008298256 solver.cpp:36] Solver scaffolding done.
    12. I0317 21:52:49.309447 2008298256 solver.cpp:47] Solving CIFAR10_quick_train
    13. Based on the solver setting, we will print the training loss function every 100 iterations, and test the
    14. network every 500 iterations. You will see messages like this:
    15. I0317 21:53:12.179772 2008298256 solver.cpp:208] Iteration 100, lr = 0.001
    16. I0317 21:53:12.185698 2008298256 solver.cpp:65] Iteration 100, loss = 1.73643
    17. ...
    18. I0317 21:54:41.150030 2008298256 solver.cpp:87] Iteration 500, Testing net
    19. I0317 21:54:47.129461 2008298256 solver.cpp:114] Test score #0: 0.5504
    20. I0317 21:54:47.129500 2008298256 solver.cpp:114] Test score #1: 1.27805
    21. For each training iteration, lr is the learning rate of that iteration, and loss is the training function. For
    22. the output of the testing phase, score 0 is the accuracy, and score 1 is the testing loss function.
    23. And after making yourself a cup of coffee, you are done!
    24. I0317 22:12:19.666914 2008298256 solver.cpp:87] Iteration 5000, Testing net
    25. I0317 22:12:25.580330 2008298256 solver.cpp:114] Test score #0: 0.7533
    26. I0317 22:12:25.580379 2008298256 solver.cpp:114] Test score #1: 0.739837
    27. I0317 22:12:25.587262 2008298256 solver.cpp:130] Snapshotting to cifar10_quick_iter_5000
    28. I0317 22:12:25.590215 2008298256 solver.cpp:137] Snapshotting solver state to
    29. cifar10_quick_iter_5000.solverstate
    30. I0317 22:12:25.592813 2008298256 solver.cpp:81] Optimization Done.
    31. Our model achieved ~75% test accuracy. The model parameters are stored in binary protobuf format in
    32. cifar10_quick_iter_5000
时间： 2024-10-11 21:34:13

学习笔记：Caffe上配置和运行Cifar10的示例的相关文章

学习笔记：Caffe上配置和运行MNIST

学习笔记:Caffe上配置和运行MNIST MNIST,一个经典的手写数字库,包含60000个训练样本和10000个测试样本,图片大小28*28,在Caffe上配置的第一个案例 1首先,获取minist的数据包. 这个版本是四个数据包cd $CAFFE_ROOT./data/mnist/get_mnist.sh [html] view plaincopy #!/usr/bin/env sh # This scripts downloads the mnist data and unzips it

C++ Primer 学习笔记_102_特殊工具与技术 --运行时类型识别[续]

特殊工具与技术 --运行时类型识别[续] 三.RTTI的使用 当比较两个派生类对象的时候,我们希望比较可能特定于派生类的数据成员.如果形参是基类引用,就只能比较基类中出现的成员,我们不能访问在派生类中但不在基类中出现的成员. 因此我们可以使用RTTI,在试图比较不同类型的对象时返回假(false). 我们将定义单个相等操作符.每个类定义一个虚函数 equal,该函数首先将操作数强制转换为正确的类型.如果转换成功,就进行真正的比较:如果转换失败,equal 操作就返回 false. 1.类层次 c

树莓派学习笔记——USB wifi配置指南

0 前言 树莓派既可以使用有线网络又可以无线网络,如果使用有线网络不方便的话可以借助USB wifi无线网卡让树莓派也插上无线"翅膀".但是和使用有线网络即插即用的方式不同,USB wifi网卡需要进行一些配置.通过一天的配置实验,本文总结了树莓派wifi配置的两种方法--[1]使用wpa_gui工具方法和[2]修改配置文件方法. [1]使用wpa_gui工具方法 wpa_gui是一种linux平台常用的wifi配置工具,wpa_gui具有图形界面操作简单.由于,树莓派B板只有两个US

struts学习笔记(1)基本配置

Struts2  学习笔记 吃透最简单的Helloword实例之后 ,接着再一一去研究 请求参数的接收与发送,参数的封闭,校验,result,struts2标签库这些最为核心的东西(其实这些也正是最常用的东西),经过这样的学习,应该领会了一些Struts2的流程,接着再去阅读相关文档去了解Strust2的拦截器设计思想(这叫先使用再体会的学习方法),接着可以做一些针对于自定义拦截器的实现来深化对Struts2的认识.此时,你已经达到企业中使用的级别了,接下来就可以玩一些SSh整合 一.基本配置 

C++ Primer 学习笔记_73_面向对象编程 --再谈文本查询示例

面向对象编程 --再谈文本查询示例 引言: 扩展第10.6节的文本查询应用程序,使我们的系统可以支持更复杂的查询. 为了说明问题,将用下面的简单小说来运行查询: Alice Emma has long flowing red hair. Her Daddy says when the wind blows through her hair, it looks almost alive, like a fiery bird in flight. A beautiful fiery bird, he

C++ Primer 学习笔记_74_面向对象编程 --再谈文本查询示例[续/习题]

面向对象编程 --再谈文本查询示例[续/习题] //P522 习题15.41 //1 in TextQuery.h #ifndef TEXTQUERY_H_INCLUDED #define TEXTQUERY_H_INCLUDED #include <iostream> #include <fstream> #include <sstream> #include <vector> #include <set> #include <map&g

react-native学习笔记--史上最详细Windows版本搭建安装React Native环境配置

参考:http://www.lcode.org/react-native/ React native中文网:http://reactnative.cn/docs/0.23/android-setup.html#content 1.安装Jdk(最好默认安装路径尽量别改) http://jingyan.baidu.com/article/a24b33cd59b58e19fe002bb9.html http://www.jb51.net/article/36811.htm(三个环境变量都配置)  Ja

[快手(AAuto)学习笔记]如何让程序在运行时请求管理员权限（UAC）

作者:ffsystem 作为(糟糕的)程序猿,习惯写代码解决一些简单事务.正常用批处理就能解决大部分工作,复杂一点用AutoIt 3. 有时候要分发给别人,就需要一个界面.外行你程序写得如何他看不懂,也不想搞懂.他只看你界面是否花哨,来判断你行不行.没办法只是个看脸的时代,只好给程序整整容. 但是简单的事情,上VS.用.net:或者用java就太无趣了,而且那玩意整好看一点也麻烦. AutoIt3很好用,但界面,但比较传统,找到一个国产的程序,快手AAuto,好像既轻量级.又能html给程序整容

【HTML】【学习】 Canvas学习笔记【上】

Canvas是HTML新增的开发跨平台动画和游戏的标准解决方案,能够实现对图像和视频进行像素级操作. 一.在页面中添加canvas元素 就像添加一个普通div一样,canvas的添加方式为: <canvas id = "myCanvas" width = "200px" height = "100px">不支持时显示的部分</canvas> 可以用对div添加样式的方法使用CSS对Canvas添加样式 二.使用Canvas