目前caffe不是很完善，输入的图片数据需要在prototxt指定路径。但是我们往往有这么一个需求：训练后得到一个模型文件，我们想拿这个模型文件来对一张图片抽取特征或者预测分类等。如果非得在prototxx指定路径，就很不方便。因此，这样的工具才是我们需要的：给一个可执行文件通过命令行来传递图片路径，然后caffe读入图片数据，进行一次正向传播。
因此我做了这么一个工具，用来抽取任意一张图片的特征。...
分类：
其他好文 时间：
2014-09-19 17:38:25
阅读次数：
333
洋洋洒洒一大篇，就没截图了，这几天一直在折腾这个东西，实在没办法，不想用Linux但是，为了Caffe，只能如此了，安装这些东西，遇到很多问题，每个问题都要折磨很久，大概第一次就是这样的。想想，之后应用，应该还会遇到很多问题吧，不过没办法了，骑虎难下！！这里有个建议是，如果将来要做大数据集，最好事....
分类：
其他好文 时间：
2014-09-18 22:03:04
阅读次数：
867
Training Products of Experts by Minimizing Contrastive Divergence(以下简称 PoE)是 DBN 和深度学习理论的 肇始之篇,最近在爬梳和学习 RBM 的相关知识时,发 现训练 RBM 时使用的对比散度算法在各种中英文资料 中都不甚详解...
分类：
其他好文 时间：
2014-09-15 14:19:08
阅读次数：
270
原图conv1层可视化结果 （96个filter得到的结果）数据模型与准备安装好Caffe后，在examples/images文件夹下有两张示例图像，本文即在这两张图像上，用Caffe提供的预训练模型，进行特征提取，并进行可视化。1. 进入caffe根目录，创建临时文件夹，用于存放所需要的临时文件m...
分类：
其他好文 时间：
2014-09-11 22:09:13
阅读次数：
320
载入与保存
Python标准的保存类别实体并重新载入它们的途径是pickle机制。许多Theano对象可以由此被序列化（或者反序列化），然而pickle的局限性在于，被序列化的类别实例的代码或者数据并没有被同时保存。因此重新载入先前版本的类可能会出问题。
因此，需要寻求基于预期保存和重新载入的耗时的不同机制。
对于短期（比如临时文件和网络转录），Theano的pickle是可行的。
对于长...
分类：
其他好文 时间：
2014-09-04 23:45:41
阅读次数：
568
深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，“深度模型”是手段，“特征学习”是目的。区别于传统的浅层学习，深度学习的不同在于：1）强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；2）明确突出了特征学习...
分类：
其他好文 时间：
2014-09-03 19:40:57
阅读次数：
234
关于深度学习的一些个人浅见：
深度学习通常是训练深度（多层）神经网络，用于模式识别（如语音、图像识别）；深度网络 指是具有深层（多层）网络结构的神经网络。
深层网络由于神经元多，参数多，拟合表现能力强，有表现欲解决复杂问题的能力。
但是深度网络存在很多局部最优解，深度网络的训练容易停留在局部最优上，初始参数的选择对网络最终收敛在那个位置有很大的影响。...
分类：
数据库 时间：
2014-09-03 11:18:46
阅读次数：
2523
配置
config模块包含了各种用于修改Theano的属性。在Theano导入时，许多属性都会被检查，而有些属性是只读模式。
一般约定，在用户代码内部config模块的属性不应当被修改。
Theano的这些属性都有默认值，但是你也可以在你的.theanorc文件里面修改，并且使用THEANO_FLAGS的环境变量进行修改。
优先顺序是：
1. theano.config.的赋值
2. ...
分类：
其他好文 时间：
2014-09-02 19:56:15
阅读次数：
447
导数使用T.grad计算。
这里使用pp()打印梯度的符号表达式。
第3行输出是打印了经过优化器简化的符号梯度表达式，与第1个输出相比确实简单多了。
fill((x** TensorConstant{2}), TensorConstant{1.0})指创建一个x**2大小的矩阵，并填充1。
importtheano.tensor as T
fromtheano import pp
fr...
分类：
其他好文 时间：
2014-08-29 20:10:08
阅读次数：
338
图结构（Graph Structures）是了解Theano内在工作原理的基础。
Theano编程的核心是用符号占位符把数学关系表示出来。
图结构的组成部分
如图实现了这段代码：
importtheano.tensor as T
x= T.matrix('x')
y= T.matrix('y')
z= x + y
变量节点（variable nodes）
红色表示...
分类：
其他好文 时间：
2014-08-29 11:04:07
阅读次数：
323
