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
PaddlePaddle
Paddle
提交
f41339f9
P
Paddle
项目概览
PaddlePaddle
/
Paddle
大约 1 年 前同步成功
通知
2297
Star
20931
Fork
5422
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
1423
列表
看板
标记
里程碑
合并请求
543
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
1,423
Issue
1,423
列表
看板
标记
里程碑
合并请求
543
合并请求
543
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