如果我们在训练途中停电或者有叻其他的情况可以通过之前保存的状态恢复数据,使用的时候直接添加–snapshot参数即可如:
这时候运行会从snapshot开始继续运行,如从第600迭代时運行:
如果我们在训练途中停电或者有叻其他的情况可以通过之前保存的状态恢复数据,使用的时候直接添加–snapshot参数即可如:
这时候运行会从snapshot开始继续运行,如从第600迭代时運行:
CIFAR-10数据集包括由10个类别的事物每个事物各有6000张彩色图像,每张图片的大小是32*32
整个数据集被分成了5个训练集和1个测试集,各有10000张图片即50000张图片用于训练,10000张图片用於测试(交叉验证)
随后,会自动下载数据
如果嫌下载速度慢,可以自己手动下载再进行自己解压放到对应目录下。
这5个攵件就是分成了5份的那50000张图片
测试数据集,总共10000张图片
说明了整个cifar-10数据集所包括的10个事物类别。
之后会在目录下生成三個文件:
如果使用的是cpu模式需要到文件中提到的所有prototxt文件中修改solver_mode为cpu;如果使用的是gpu,则不需要更改默认就已经是gpu模式了。
使用gpu模式很快就训练好了
最后训练完时的准确率是75%左右,效果并不是很好
测试时用到了caffe的python接口,所以一定要先编译并配置好叻好了pycaffe如果没有配置好,请先配置好我以前的博客有讲过如何linux下搭建caffe,最后讲了如何安装pycaffe( )
将预测的结果打印出来:
将结果排序,并找到对应的是什么:
添加如下代码到最后:
载入的图片是cat.jpg预测结果如下:
我另外从百度随便下了几张图片来测试:
输入指令(根据洎己的图片的文件名改下就可以了):
哈士奇居然被识别成猫了,但是我承认这张图片的哈士奇的确不太像“狗”
cifar数据集训练的结果识別效果不是很好,准确率较低这里仅做学习实验用。
因此这几个二进制文件的大小都是 字节
文件存储了每个类别的英文名称。可以用记事本或其他文本文件阅讀器打开浏览查看 |
这5 个文件是CIFAR- 10 数据集中的训练数据每个文件以二进制格式存储了10000 张32 × 32 的彩色图像和这些图像对应的类别标签。一共50000 张训練图像 |
这个文件存储的是测试图像和测试图像的标签一共10000 张 |