码迷，mamicode.com
首页 > 其他好文 > 详细

Caffe代码导读（5）：对数据集进行Testing

时间：2015-06-16 18:24:52      阅读：226      评论：0      收藏：0      [点我收藏+]

标签：

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?技术分享技术分享
 
  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?技术分享技术分享
 
  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：

 

技术分享

 

-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?技术分享技术分享
 
    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)  

Caffe代码导读（5）：对数据集进行Testing

标签：

原文地址：http://www.cnblogs.com/yymn/p/4581079.html
踩
(0)
赞
(0)
   
举报
评论 一句话评论（0）
登录后才能评论！
分享档案
更多>
2021年07月29日 (22)
2021年07月28日 (40)
2021年07月27日 (32)
2021年07月26日 (79)
2021年07月23日 (29)
2021年07月22日 (30)
2021年07月21日 (42)
2021年07月20日 (16)
2021年07月19日 (90)
2021年07月16日 (35)
周排行
mamicode.com排行更多图片
更多
友情链接
兰亭集智   国之画   百度统计   站长统计   阿里云   chrome插件   新版天听网
关于我们 - 联系我们 - 留言反馈
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码！