文件列表:

MatConvNet使用指南.pdf (384122, 2016-05-09)
VGG卷积神经网络实战.pdf (565517, 2016-05-09)
VGG目标分类教程 (0, 2016-05-09)
VGG目标分类教程\VGG目标分类教程 .md (22963, 2016-05-09)
VGG目标分类教程\figures (0, 2016-05-09)
VGG目标分类教程\figures\f1.png (152872, 2016-05-09)
VGG目标分类教程\figures\f10.png (265665, 2016-05-09)
VGG目标分类教程\figures\f11.png (272212, 2016-05-09)
VGG目标分类教程\figures\f12.png (18589, 2016-05-09)
VGG目标分类教程\figures\f13.png (134632, 2016-05-09)
VGG目标分类教程\figures\f14.png (37236, 2016-05-09)
VGG目标分类教程\figures\f15.png (123530, 2016-05-09)
VGG目标分类教程\figures\f16.png (136389, 2016-05-09)
VGG目标分类教程\figures\f2.png (35699, 2016-05-09)
VGG目标分类教程\figures\f3.png (15630, 2016-05-09)
VGG目标分类教程\figures\f4.png (76438, 2016-05-09)
VGG目标分类教程\figures\f5.png (123144, 2016-05-09)
VGG目标分类教程\figures\f6.png (275782, 2016-05-09)
VGG目标分类教程\figures\f7.png (29126, 2016-05-09)
VGG目标分类教程\figures\f8.png (185537, 2016-05-09)
VGG目标分类教程\figures\f9.png (276290, 2016-05-09)
cnn_plate.m (1254, 2016-05-09)
cnn_plate_init.m (1534, 2016-05-09)
cnn_plate_setup_data.m (1208, 2016-05-09)
demo.m (853, 2016-05-09)

MatConvNet训练自己的数据 ----- 当前几乎所有主流的开源深度学习工具都做了一个非常强的假设:用户会自己去看源代码,也就是所谓的代码是自解释的。 其实真的也没什么难的,就是按照基本流程来就好了: 无外乎准备数据,设计网络结构,开始训练,最后是验证训练的结果。 MatConvNet示例数据都是很常用的,mnist、cifar等有自己的存储格式,按照它给的定义解析出来就好了。ImageNet太大,100多G,小课题组没有强大的装备不可能去实现,也没那个必要。 这里给出的示例相对而言还是比较科学的,把每个类别的数据放在同一个文件夹下,然后依次读取,并划分训练集和验证集,只不过还缺少一个随机打乱数据顺序的过程。 网络结构可以参考已有的结构,稍加改动,训练就一句代码搞定。 验证训练效果的话也可以参考已有的例子实现。 具体参见 MatConvNet使用指南.pdf 相关: [mxnet训练自己的数据](https://github.com/imistyrain/mxnet-mr)

近期下载者：

相关文件：

评论：[我要评论] [举报此文件]

收藏者：