Что я прочитал об уроках, так это то, что вы создаете свои данные, затем пишете модель с использованием protobuf, а затем пишете файл решателя. Наконец вы тренируете модель и получаете сгенерированный файл. Все это делается через командную строку. Теперь есть два вопроса
1) Предположим, у меня есть сгенерированная модель, как мне загрузить новое изображение, отсутствующее в тестовой папке, и выполнить прямой проход. Должно ли это быть сделано через командную строку или с какого-то языка (c ++, python)?
2) Наверное, выше был один из способов сделать это. Каков наилучший способ обучения классификатора (поезд командной строки / или хотя бы кодирование) и как использовать сгенерированный файл модели (после обучения) в вашем коде.
Я хочу связать caffe с моим кодом, но я не могу найти краткое руководство, которое шаг за шагом даст мне любую базу данных, скажем, mnist, и модель не должна быть такой сложной, как LeNet, но простой полностью подключенный слой будет тоже делай. Но может кто-нибудь сказать мне, как просто написать простой код с использованием C ++ или python и обучить любой набор данных с нуля.
Также приветствуется пример кода C ++ / python для обучения классификатора и использования его для прогнозирования новых данных с использованием caffe.
Обучение лучше всего проводить с помощью командной строки. Увидеть этот урок.
После того, как вы обучили модель, и у вас есть myModel.caffemodel
файл (двоичный файл, хранящий данные разных слоев) и deploy.prototxt
file (текстовый файл, описывающий вашу сеть), вы можете использовать интерфейс python для классификации изображений.
Вы можете запустить скрипт Python classify.py
классифицировать изображения из командной строки. Этот скрипт оборачивается classifier.py
— объект python, который содержит обученную сеть и позволяет вам выполнять прямые передачи в python.