Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
a18792752712
Paddle
提交
f41339f9
P
Paddle
项目概览
a18792752712
/
Paddle
与 Fork 源项目一致
Fork自
PaddlePaddle / Paddle
通知
1
Star
1
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
1
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
P
Paddle
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
1
Issue
1
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
提交
f41339f9
编写于
12月 22, 2016
作者:
M
maurise-yq-hu
提交者:
GitHub
12月 22, 2016
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
Update index_cn.md
按照review建议进行了修改
上级
1384e3de
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
21 addition
and
22 deletion
+21
-22
doc/tutorials/image_classification/index_cn.md
doc/tutorials/image_classification/index_cn.md
+21
-22
未找到文件。
doc/tutorials/image_classification/index_cn.md
浏览文件 @
f41339f9
...
...
@@ -9,7 +9,7 @@
<https://www.cs.toronto.edu/~kriz/cifar.html>
我们准备了一个脚本,可以用于从官方网站上下载CIFAR-10数据集,
并将之转化为jpeg文件,存入我们为本文中的实验所设计的目录中。使用这个脚本前请确认已经安装了pillow及相关依赖模块。可以参照下面的命令进行安装和下载
:
我们准备了一个脚本,可以用于从官方网站上下载CIFAR-10数据集,
转为jpeg文件并存入特定的目录。使用这个脚本前请确认已经安装了pillow及相关依赖模块。可以参照下面的命令进行安装
:
1.
安装pillow
...
...
@@ -25,9 +25,9 @@ cd demo/image_classification/data/
sh download_cifar.sh
```
CIFAR-10数据集包含60000张32x32的彩色图片。图片分为10类,每个类包含6000张。其中50000张图片
用于组成训练集,10000张组成
测试集。
CIFAR-10数据集包含60000张32x32的彩色图片。图片分为10类,每个类包含6000张。其中50000张图片
作为训练集,10000张作为
测试集。
下图展示了所有的
照片分类,并从每个分类中随机抽取了10张图片:
下图展示了所有的
图片类别,每个类别中随机抽取了10张图片。
<center>
![
Image Classification
](
./cifar.png
)
</center>
脚本运行完成后,我们应当会得到一个名为cifar-out的文件夹,其下子文件夹的结构如下
...
...
@@ -58,7 +58,7 @@ test
---truck
```
cifar-out下包含
`train`
和
`test`
两个文件夹,其中分别包含了CIFAR-10中的训练
数据和测试数据
。这两个文件夹下各自有10个子文件夹,每个子文件夹下存储相应分类的图片。将图片按照上述结构存储好之后,我们就可以着手对分类模型进行训练了。
cifar-out下包含
`train`
和
`test`
两个文件夹,其中分别包含了CIFAR-10中的训练
集和测试集
。这两个文件夹下各自有10个子文件夹,每个子文件夹下存储相应分类的图片。将图片按照上述结构存储好之后,我们就可以着手对分类模型进行训练了。
## 预处理
数据下载之后,还需要进行预处理,将数据转换为Paddle的格式。我们可以通过如下命令进行预处理工作:
...
...
@@ -82,7 +82,7 @@ python preprocess.py -i $data_dir -s 32 -c 1
-
`-c`
或
`--color`
标示图片是彩色图或灰度图
## 模型训练
在开始训练之前,我们需要先创建一个
配置文件。下面我们给出了一个配置文件的示例(vgg_16_cifar.py)。
**注意**
,这里的列出的和
`vgg_16_cifar.py`
中有着细微的差别
。
在开始训练之前,我们需要先创建一个
模型配置文件。下面我们给出了一个配置示例。
**注意**
,这里的列出的和
`vgg_16_cifar.py`
文件稍有差别,因为该文件可适用于预测
。
```
python
from
paddle.trainer_config_helpers
import
*
...
...
@@ -114,15 +114,15 @@ outputs(classification_cost(input=predict, label=lbl))
from
paddle.trainer_config_helpers
import
*
```
之后定义的
`define_py_data_sources2`
使用
python data provider接口,其中
`args`
将在
`image_provider.py`
进行使用,后者负责将图片数据传递给Paddle
之后定义的
`define_py_data_sources2`
使用
Python数据提供器,其中
`args`
将在
`image_provider.py`
进行使用,该文件负责产生图片数据并传递给Paddle系统
-
`meta`
: 训练集平均值。
-
`mean_img_size`
:
特征图的平均
高度及宽度。
-
`mean_img_size`
:
平均特征图的
高度及宽度。
-
`img_size`
:输入图片的高度及宽度。
-
`num_classes`
:
分类的
个数。
-
`use_jpeg`
:处理过程中数据存储格式
-
`color`
标示是否为彩色图片
-
`num_classes`
:
类别
个数。
-
`use_jpeg`
:处理过程中数据存储格式
。
-
`color`
:标示是否为彩色图片。
`settings`
用于设置训练算法。在下面的例子中,learning rate被设置为0.1除以
每批图片数(batch size),而weight decay则为0.0005乘以每批图片数
。
`settings`
用于设置训练算法。在下面的例子中,learning rate被设置为0.1除以
batch size,而weight decay则为0.0005乘以batch size
。
```
python
settings
(
...
...
@@ -133,12 +133,12 @@ settings(
)
```
`small_vgg`
定义了网络结构。这里我们使用
了VGG卷积神经网络的一个小型版本
。关于VGG卷积神经网络的描述可以参考:
[
http://www.robots.ox.ac.uk/~vgg/research/very_deep/
](
http://www.robots.ox.ac.uk/~vgg/research/very_deep/
)
。
`small_vgg`
定义了网络结构。这里我们使用
的是一个小的VGG网络
。关于VGG卷积神经网络的描述可以参考:
[
http://www.robots.ox.ac.uk/~vgg/research/very_deep/
](
http://www.robots.ox.ac.uk/~vgg/research/very_deep/
)
。
```
python
# small_vgg is predined in trainer_config_helpers.network
predict
=
small_vgg
(
input_image
=
img
,
num_channels
=
3
)
```
生成配置之后,我们就可以运行脚本train.sh来训练模型。请注意下面的脚本中假设该脚本放置是在路径
`./demo/image_classification`
下的。如果要从其它路径运行,你需要修改下面的脚本中的路径,以及配置文件中的相应内容
。
配置创建完毕后,可以运行脚本train.sh来训练模型
。
```
bash
config
=
vgg_16_cifar.py
...
...
@@ -157,15 +157,14 @@ paddle train \
python
-m
paddle.utils.plotcurve
-i
$log
>
plot.png
```
-
这里我们使用的是GPU模式进行训练。如果你没有GPU环境,可以设置
`use_gpu=0`
。
-
`./demo/image_classification/vgg_16_cifar.py`
是网络和数据配置文件。各项参数的详细说明可以在命令行参数相关文档中找到
-
脚本
`plotcurve.py`
依赖于python的
`matplotlib`
模块。因此如果这个脚本运行失败,也许是因为需要安装
`matplotlib`
-
`./demo/image_classification/vgg_16_cifar.py`
是网络和数据配置文件。各项参数的详细说明可以在命令行参数相关文档中找到。
-
脚本
`plotcurve.py`
依赖于python的
`matplotlib`
模块。因此如果这个脚本运行失败,也许是因为需要安装
`matplotlib`
。
在训练完成后,训练及测试误差曲线图会被
`plotcurve.py`
脚本保存在
`plot.png`
中。下面是一个误差曲线图的示例:
<center>
![
Training and testing curves.
](
./plot.png
)
</center>
## 预测
在训练完成后,模型及参数会被保存在路径
`./cifar_vgg_model/pass-%05d`
下。例如第300
次训练所得
的模型会被保存在
`./cifar_vgg_model/pass-00299`
。
在训练完成后,模型及参数会被保存在路径
`./cifar_vgg_model/pass-%05d`
下。例如第300
个pass
的模型会被保存在
`./cifar_vgg_model/pass-00299`
。
要对一个图片的进行分类预测,我们可以使用
`predict.sh`
,该脚本将输出预测分类的标签:
...
...
@@ -197,10 +196,10 @@ python prediction.py $model $image $use_gpu
一个卷积神经网络包含如下层:
-
卷
基
层:通过卷积操作从图片或特征图中提取特征
-
池化层:使用max-pooling
方式进行特征压缩
-
全连接层:使
用全连接,从特征中生成分类结果
-
卷
积
层:通过卷积操作从图片或特征图中提取特征
-
池化层:使用max-pooling
对特征图下采样
-
全连接层:使
输入层到隐藏层的神经元是全部连接的。
卷积神经网络在图片分类上有着
优异的表现,这是因为它发掘出了图片的两类重要信息:局部关联性质和空间不变性质。通过交替使用卷基和池化处理,卷积神经网络能够使得图片的这两类信息稳定地得到保持
卷积神经网络在图片分类上有着
惊人的性能,这是因为它发掘出了图片的两类重要信息:局部关联性质和空间不变性质。通过交替使用卷积和池化处理, 卷积神经网络能够很好的表示这两类信息。
关于如何定义网络中的层,以及如何在层之间进行连接,请参考
文档中关于网络层的相关内容
。
关于如何定义网络中的层,以及如何在层之间进行连接,请参考
Layer文档
。
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录