网络怎么分类,如何快速分类管理,怎样快速分类

　　本系列文章由@yhl_leo出品，转载请注明出处。

　　文章链接：http://blog . csdn . net/yhl _ Leo/article/details/53727411

　　在以前的一篇博客中，我整理了如何根据CIFAR10的数据组织方式，制作自己的数据集，然后略微调整张量流提供的演示进行训练，获得了一些关注，现在重新公布一个简单的方法，不需要制作像CIFAR10那样的数据集，也不用一个本地内存数据库数据格式，直接使用原始数据，利用框架训练简单的分类网络。

　　发布于GitHub:yh Leo/CreateSimpleNetworks .

　　在框架的层中，已有图像数据层，对于图像标签类型的训练数据，数据读取过程很简单：

　　日志（信息)"打开文件"源；STD:if流infile(源。c _ str())；弦线；尺寸位置标签；while (std:getline(infile，line)){ pos=line。find _ last _ of()；label=atoi(line.substr(位置1))。c _ str())；线条_。push _ back(STD:make _ pair(line。substr(0，pos)，标签))；}检查(!线条_。empty())"文件为空";if (this-layer_param_ .image_data_param().shuffle()) { //随机洗牌数据日志(信息)"洗牌数据";常数无符号int prefetch _ RNG _种子=卡菲_ RNG _兰德()；预取_rng_ .重置(新咖啡* RNG(预取_ rng _种子));无序播放图像()；}日志(信息)"总共"行size()图像。即，需要制作训练文件列表格式为：

　　./path/img1.jpg 0/path/img2.jpg 1.完成训练文件列表后，简单搭建起一个小型网络：

　　指定好train.prototxt，solver.prototxt和deploy.prototxt文件，就可以训练。

　　启动训练：

　　# #火车。py # # from _ _ future _ _ import division import numpy as NP import sys caffe _ root=/path/caffe/ sys。路径。insert(0，caffe _ root)导入caffe # init caffe。set _ mode _ GPU()caffe。set _ device(0)solver=caffe .SGD解算器(/path/Models/solver。proto txt )求解器。步骤(60000)批量测试：

　　将numpy作为npimport操作系统导入，cv2导入时间导入咖啡#确保框架在大蟒路径上：caffe _ root=/Path/caffe/导入系统系统。路径。插入(0，caffe _ root python )caffe。set _ mode _ GPU()caffe。set _ device(0)def find images(dir，topdown=True): im_list=[]如果不是OS。路径。exists(dir):print“不存在{ }的路径！”。format(dir) raise else: for root，dirs，files in os.walk(dir，top down):for fl in files:im _ list。追加(操作系统。路径。join(root，fl))return im _ list data _ root=/path/test/test 1 test _ lst=find images(data _ root)save folder=/path/test/ name= test1。txt outdir=open(保存文件夹名， w )；net=caffe .net(/path/Models/xh _ deploy。 /path/train/net _ ITER _ 60000。咖啡馆模式，咖啡馆.TEST)time _ consume=[]for idx in range(len(TEST _ lst)):im=cv2。im read(TEST _ lst[idx]，cv2 .im read _ UNCHANGED)sp=im。形状in _=NP。array(im，dtype=np.float32) in_=in_[:-1] in_=in_ .转置((2，0，1)) net.blobs[data].整形(1，*in_ .shape) net.blobs[data].数据[.]=开始时间=时间。时钟()网。forward()end=time。clock()time _ consum。追加(结束-开始)熔丝=净。斑点.data[0] fname=test_lst[idx].split(/)[-1]outdir。写( % s %)。3f %。3f %。3f n“%(fname，fuse[0]，fuse[1]，fuse[2]))print sum(time _ consum)/len(time _ consum)outdir。关闭()测试结果（数据集分为两类),因此四列分别对应着：文件名，标签为0的概率，标签为一的概率和其它类别的概率：

　　1-1.jpg 1.000 0.000 0.0001-2.jpg 1.000 0.000 0.0001-3.jpg 1.000 0.000 0.0001-4.jpg 1.000 0.000 0.0001-5.jpg 1.000 0.000 0.0001-6.jpg 1.000 0.000 0.0001-7.jpg 1.000 0.000 0.000 0 0.0001-1.jpg 0.594 0.405 0.0011002-1 . jpg.转载于：https://www。cn博客。com/呵呵哈哈/p/6332107。超文本标记语言