Caffe应用之人脸识别例子

概述

通过例子亲自操刀能更快的使用Caffe，本节重点讲使用Caffe进行人脸识别。

可以访问我的github获取源码https:://hqli.github.com

流程

具体操作

编译caffe

根据官方教程

训练测试阶段

• 将数据转换成caffe支持的格式（lmdb）

  • 使用caffe自带的转换程序build/tools/convert_imageset

• 配置网络

  • XXX_net.prototxt

  • 网络图

    • 

• 配置解决方案

  • XXX_solver.prototxt

• 运行

  • 训练

    • build/tools/caffe train --solver=XXX_solver.prototxt 2>&1 |tee XXX.log

  • 测试

部署阶段

• 数据输入

  • 指定number、channel、height、width

• 配置网络

  • XXX_deploy_net.prototxt

  • 网络图

    • 

• 配置解决方案

  • XXX_deploy.prototxt

• 执行

  • Python接口
  • caffe.Classifier(XXX_deploy_net.ptototxt, XXX.caffemodel, mean)

训练结果

通过解析日志文件XXX.log来获取。使用caffe自带的日志解析脚本。tools/extra/plot_training_log.py

Test accuracy是类的准确率(共1万类)。

特征图

获取每一层的特征图。 配置好部署阶段的网络（将训练测试阶段的Net修改输入，去掉最后的loss层），依次获取每层的特征。

================以下是数据层================

================以下是卷积层1===============

================以下是卷积层2===============

================以下是卷积层3===============

================以下是卷积层4===============

详细解析

详细分析每一个网络的变化

论文网络

论文网络每层分析

================以下是第一部分===============

================以下是第二部分===============

================以下是第三部分===============

实际网络每层分析

================以下是第一部分===============

================以下是第二部分===============

================以下是第三部分===============