caffenet 怎么提高准确率

caffenet 怎么提高准确率

关于准确率一直是0.5：
我不了解你是怎么训练的，但是对于二分类问题最后准确率是0.5，有可能是因为最终结果都分到同一类上面去了，这个你需要调用caffe看看网络最终的输出来判断
对于二分类问题，一般训练的时候，正负样本要混合在一起训练（一般在输入层那里设置shuffle来做到），如果没有shuffle，并且你的输入数据正好是前面的是正样本，后面的是负样本，那么就会造成你的网络最开始一直倾向于输出1，在输入一直是正样本的时候，loss的确会下降，然后到负样本的时候，loss一下子跳很高，由于后面全是负样本，网络训练使得它倾向于输出0，就又慢慢降下来了，最终你的网络基本上就是输出值都是1或者都是0了
如果是这种情况，可以在输入层那里设置shuffle为true
当然具体情况具体分析，我也不了解你的情况，只是告诉你有这个可能而已

=====================================================
以下是关于caffe的回
你想调用你的模型，最简单的办法是看examples/cpp_classification里面的cpp文件，那是教你如何调用caffe获取分类结果的（你没接触过caffe的话，建议你直接按照这个文件来操作可能会比较简单，下面我的代码我也不知道没接触过caffe的人看起来难度会有多大）
不过那个代码我看着不太习惯，所以之前自己稍微写了一个简易的版本，不知道怎么上传附件，懒人一个就直接把代码贴在最后了。
先简单解释一下如何使用，把这个代码复制到一个头文件中，然后放在examples里面一个自己创建的文件夹里面，然后写一个main函数调用这个类就可以了，比如：
复制，保存到caffe/examples/myproject/net_operator.hpp，然后同目录下写一个main.cpp，在main函数里面#include "net_operator.hpp"，就可以使用这个类了：
const string net_prototxt = ""; // 你的网络的prototxt文件，用绝对路径，下面同理
const string pre_trained_file = ""; // 你训练好的.caffemodel文件
const string img_path = ""; // 你要测试的图片路径
// 创建NetOperator对象
NetOperator net_operator(net_prototxt, pre_trained_file);
Blob<float> *blob = net_operator.processImage(img_path);
// blob就得到了最后一层的输出结果，至于blob里面是怎么存放数据的，你需要去看看对它的定义

写完main.cpp之后，到caffe目录下，make，然后它会编译你写的文件，对应生成的可执行文件。比如按我上面写的那样，make之后就会在caffe/build/examples/myproject文件夹里面生成一个main.bin，执行这个文件就可以了。因为生成的可执行文件并不是直接在代码目录下，所以前面我建议你写的路径用绝对路径

另外如果你要获取的不是最后一层的输出，你需要修改一下processImage函数的返回值，通过NetOperator的成员变量net_来获取你需要的blob，比如有个blob名称为"label"，你想获取这个blob，可以通过net_->blob_by_name("label")来获取，当然获取到的是shared_ptr<Blob<float> >类型的，搜一下boost shared_ptr就知道跟普通指针有什么不同了

好了，接下来是贴代码了：
#include <caffe/caffe.hpp>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iosfwd>
#include <memory>
#include <string>
#include <utility>
#include <vector>

using namespace caffe; // NOLINT(build/namespaces)
using std::string;

class NetOperator
{
public:
NetOperator(const string net_prototxt);
NetOperator(const string net_prototxt, const string trained_file);
~NetOperator() { }

int batch_size() { return batch_size_; }

Blob<float>* processImage(const string img_path, bool is_color = true);
Blob<float>* processImages(const vector<string> img_paths, bool is_color = true);

private:
void createNet(const string net_prototxt);
// read the image and store it in the idx position of images in the blob
void readImageToBlob(const string img_path, int idx = 0, bool is_color = true);

shared_ptr<Net<float> > net_;
cv::Size input_geometry_;
int batch_size_;
int num_channels_;
Blob<float>* input_blob_;

TransformationParameter transform_param_;
shared_ptr<DataTransformer<float> > data_transformer_;
Blob<float> transformed_data_;
};

NetOperator::NetOperator(const string net_prototxt) {
createNet(net_prototxt);
}

NetOperator::NetOperator(const string net_prototxt, const string trained_file) {
createNet(net_prototxt);

net_->CopyTrainedLayersFrom(trained_file);
}

void NetOperator::createNet(const string net_prototxt) {
#ifdef CPU_ONLY
Caffe::set_mode(Caffe::CPU);
#else
Caffe::set_mode(Caffe::GPU);
#endif

net_.reset(new Net<float>(net_prototxt, TEST));

CHECK_EQ(net_->num_inputs(), 1) << "Network should have exactly one input.";
CHECK_EQ(net_->num_outputs(), 1) << "Network should have exactly one output.";

Blob<float>* input_layer = net_->input_blobs()[0];
batch_size_ = input_layer->num();
num_channels_ = input_layer->channels();
CHECK(num_channels_ == 3 || num_channels_ == 1)
<< "Input layer should have 1 or 3 channels.";
input_geometry_ = cv::Size(input_layer->width(), input_layer->height());
// reshape the output shape of the DataTransformer
vector<int> top_shape(4);
top_shape[0] = 1;
top_shape[1] = num_channels_;
top_shape[2] = input_geometry_.height;
top_shape[3] = input_geometry_.width;
this->transformed_data_.Reshape(top_shape);
}

Blob<float>* NetOperator::processImage(const string img_path, bool is_color) {
// reshape the net for the input
input_blob_ = net_->input_blobs()[0];
input_blob_->Reshape(1, num_channels_,
input_geometry_.height, input_geometry_.width);
net_->Reshape();

readImageToBlob(img_path, 0, is_color);

net_->ForwardPrefilled();

return net_->output_blobs()[0];
}

Blob<float>* NetOperator::processImages(const vector<string> img_paths, bool is_color) {
int img_num = img_paths.size();
// reshape the net for the input
input_blob_ = net_->input_blobs()[0];
input_blob_->Reshape(img_num, num_channels_,
input_geometry_.height, input_geometry_.width);
net_->Reshape();

for (int i=0; i<img_num; i++) {
readImageToBlob(img_paths[i], i, is_color);
}

net_->ForwardPrefilled();

return net_->output_blobs()[0];
}

void NetOperator::readImageToBlob(const string img_path, int idx, bool is_color) {
// read the image and resize to the target size
cv::Mat img;
int cv_read_flag = (is_color ? CV_LOAD_IMAGE_COLOR :
CV_LOAD_IMAGE_GRAYSCALE);
cv::Mat cv_img_origin = cv::imread(img_path, cv_read_flag);
if (!cv_img_origin.data) {
LOG(ERROR) << "Could not open or find file " << img_path;
return ;
}
if (input_geometry_.height > 0 input_geometry_.width > 0) {
cv::resize(cv_img_origin, img, input_geometry_);
} else {
img = cv_img_origin;
}

// transform the image to a blob using DataTransformer
// create a DataTransformer using default TransformationParameter (no transformation)
data_transformer_.reset(
new DataTransformer<float>(transform_param_, TEST));
data_transformer_->InitRand();
// set the output of DataTransformer to the idx image of the input blob
int offset = input_blob_->offset(idx);
this->transformed_data_.set_cpu_data(input_blob_->mutable_cpu_data() + offset);
// transform the input image
data_transformer_->Transform(img, (this->transformed_data_));
}

你的眼睛应注视篮圈的后沿部分。当看这一点时，就能投进网里。许多教练教队员瞄篮圈前缘一点，那么做，你不得不比瞄篮点投得更远些。应该每次都投向瞄篮点，犹如神投手一样 站位 不管是罚球还是跳投，你站位正确吗?如果右手投篮，右脚应直接指向篮圈中央。罚球情况下应把右脚放在罚球线中点，稍前于左脚。最重要的是感觉自己站位舒适。请记住，你要培养的是稳定性，而这来源于习惯，来源于感觉舒适和自然。 持球 持球要小心，用手指和掌根触球，手掌心不得触球。在球与手之间应有空隙，这样才能感觉柔和。用指端控制住球，不要太紧。 膝 罚球时稍微屈膝即可。像其它投篮，膝关节必须保持稳定与一致。基本前提就是：投篮越简单，动作就越小，获得一致的稳定出手的机会就越好。 球出手与出手后手的跟随动作  出手要柔和、流畅，不要猛然用力，否则会使球离手太快，这样命中率就下降。要使球柔和人网，球应从指端出手，自然离开手指，如果球触手掌，球就不能柔和地触篮圈。 弧线 如果球触篮圈后又弹回来，这告诉你投篮太平，即弧度不够。弧度不够使球不能柔和触及篮圈。罚球时弧线的最高点应在篮圈上3——4英尺(约1米)，投得越远，弧线就相应高一点。 眼睛注视(球出手后) 你的眼睛是否跟随球的飞行曲线?这是一个普遍的毛病。不要把眼睛集中于球的飞行——投手注视球飞行就容易在球出手前偏离目标，这样就影响命中率。 球的旋转 和弧度一样，球的旋转取决于球离篮圈的距离。罚球线左右的球，在到达篮圈前应旋转一周到一周半。如果没有适当的后旋，就会使球碰及篮圈后向外而不落入球网内。 自信心 适合的练习带来成功，从而给人自信，而自信又使你深信练习的效果，并继续练习。这是一个美妙的循环。大多数优秀的投手投前就心中有数，有的放矢。带着自信心站在罚球线前吧

如以上回答内容为低俗、色情、不良、暴力、侵权、涉及违法等信息，可以点下面链接进行举报！

点此我要举报以上问答信息