Caffe 改善哪些参数可以降低 Loss 提升 Accuracy

1. Caffe 改善哪些参数可以降低 Loss 提升 Accuracy

参数，也叫参变量，是一个变量。我们在研究当前问题的时候，关心某几个变量的变化以及它们之间的相互关系，其中有一个或一些叫自变量，另一个或另一些叫因变量。如果我们引入一个或一些另外的变量来描述自变量与因变量的变化，引入的变量本来并不是当前问题必须研究的变量，我们把这样的变量叫做参变量或参数。英文名：Parameter。

2. l、化验矿物中loss是什么意思

loss prevention
[英][l?s pr??ven??n][美][l?s pr??v?n??n]
预防损失的措施; 

例句:

1.
To be effective and efficient, planning for loss prevention should be systematic. 
为了有效和高效，对损失预防的策划应当是系统的。

3. caffe finetune问题：按照网上的教程微调alexnet为什么loss一直是87.3365？

大兄弟，我也是这个问题，base_lr调低了一个数量级，batch_size调高一倍，就OK了

4. loss 0%，其他都正常，但为什么走起来卡顿

网络延迟高的原因不少。
像网速快慢、网络设置、游戏服务器等方面都有可能会导致延迟过高。
你下个腾讯电脑管家。
首先测试下网速：
打开腾讯电脑管家——工具箱·——测试网速
网速若是比较稳定，并且不存在游戏跨服运行等情况，那估计就是DNS的选用有误。这问题可参考以下方法：
打开腾讯电脑管家——工具箱——DNS优选

5. 怎样用python调用已经训练好的caffe

定义CAFFE为caffe跟目录，caffe的核心代码都在$CAFFE/src/caffe 下，主要有以下部分：net, blob, layer, solver.
net.cpp: net定义网络， 整个网络中含有很多layers， net.cpp负责计算整个网络在训练中的forward, backward过程， 即计算forward/backward 时各layer的gradient。
layers: 在$CAFFE/src/caffe/layers中的层，在protobuffer (.proto文件中定义message类型，.prototxt或.binaryproto文件中定义message的值) 中调用时包含属性name， type（data/conv/pool…）， connection structure (input blobs and output blobs)，layer-specific parameters（如conv层的kernel大小）。定义一个layer需要定义其setup, forward 和backward过程。
blob.cpp: net中的数据和求导结果通过4维的blob传递。一个layer有很多blobs， e.g,
对data，weight blob大小为Number * Channels * Height * Width, 如256*3*224*224；
对conv层，weight blob大小为 Output 节点数 * Input 节点数 * Height * Width，如AlexNet第一个conv层的blob大小为96 x 3 x 11 x 11；
对inner product 层， weight blob大小为 1 * 1 * Output节点数 * Input节点数； bias blob大小为1 * 1 * 1 * Output节点数（ conv层和inner product层一样，也有weight和bias，所以在网络结构定义中我们会看到两个blobs_lr，第一个是weights的，第二个是bias的。类似地，weight_decay也有两个，一个是weight的，一个是bias的）； blob中，mutable_cpu/gpu_data() 和cpu/gpu_data()用来管理memory，cpu/gpu_diff()和 mutable_cpu/gpu_diff()用来计算求导结果。
slover.cpp: 结合loss，用gradient更新weights。主要函数： Init(), Solve(), ComputeUpdateValue(), Snapshot(), Restore(),//快照（拷贝）与恢复 网络state Test()；在solver.cpp中有3中solver，即3个类：AdaGradSolver, SGDSolver和NesterovSolver可供选择。关于loss，可以同时有多个loss，可以加regularization（L1/L2）；
Protocol buffer：
上面已经将过， protocol buffer在 .proto文件中定义message类型，.prototxt或.binaryproto文件中定义message的值；
Caffe Caffe的所有message定义在$CAFFE/src/caffe/proto/caffe.proto中。
Experiment 在实验中，主要用到两个protocol buffer: solver的和model的，分别定义solver参数（学习率啥的）和model结构(网络结构)。
好吧，copy了一大段，不晓得有没有帮助，说点accuracy = 0.5的问题。简单说，就是分错了，好吧我知道这是废话。既然是分错了，那么就要检查下了，首先检查你的训练模型。根据训练过程来看，训练应该是已经收敛了，（反正loss一直在减小）。这句可能是我理解问题，如果模型收敛的话，loss应该趋于平稳，如这样。哦这是对数图。如果没有完全收敛的话，考虑下调整参数吧。说到调参，又是个坑啊。。。这个我也是懵懵懂懂。不过可以参考某些大牛的做法，比如用浅层CNN参数初始化深层CNN，或者学hinton老爷子用DBN来搞个预训练。不过即使是随机初始参数，按道理不应该出现这种accuracy=0.5的情况。个人感觉要么就是训练没有完成，要么就是在做最后二分的那一层有什么问题。。。其实应该先检查训练数据，训练数据搞混了，其他都是白搭。如果检查模型，你可以先看下你参数更新的梯度是否已经趋于零了，然后再看看你二分那一层有木有问题。当然，说了这么多，可能也没啥帮助，如果你哪天改用matlab或者theano了，可以交流下，caffe确实不甚了解。。。在尝试用caffe分类一个自己的二分类图像数据库。根据训练过程来看，训练应该是已经收敛了，（反正loss一直在减小）。然而测试集上的accuracy一直都是=0.5.所以现在想着把生成的模型文件调出来用数据测试下，观察下是什么问题，请问应当如何去实现呢。或者各位如果能指点下，可能是什么原因导致的accuracy = 0.5 不变。那就更好啦。谢谢！

6. 如何绘制caffe训练过程中的loss和accurary的曲线

caffe的FCN的loss居高不下和执行训练命令的脚本有关是怎么回事GET、POST及其他快捷方法都会自动设置method参数，所以不需要手动设置。config对象会作为最后一个参数传递给$http.get和$http.post，所以，在所有的快捷方法内部都可以使用这个参数。你可以传递config对象来修改发送的请求，config对象可以设置以下键值。

7. 如何绘制caffe训练过程中的loss和accurary的曲线

著作权归作者所有。
商业转载请联系作者获得授权，非商业转载请注明出处。
作者：beanfrog
链接：https://www.zhihu.com/question/36652304/answer/68536636
来源：知乎

caffe/tools/extra/plot_training_log.py.example自带的绘图的小脚本
关于获取日志文件，，写个脚本，运行这个脚本开始训练，这样就可以保存日志了， 脚本如下                                 著作权归作者所有。
商业转载请联系作者获得授权，非商业转载请注明出处。
作者：beanfrog
链接：https://www.zhihu.com/question/36652304/answer/68536636
来源：知乎

LOG=log/train-`date +%Y-%m-%d-%H-%M-%S`.logCAFFE=~/caffe/build/tools/caffe$CAFFE train --solver=solver.prototxt --gpu=0 2>&1 | tee $LOG