Machine learning 将长一维矢量数据、一维矢量标签馈送至Caffe

这里是咖啡馆的新手。
我正在尝试在自己的数据集上复制LeNet。我的训练数据是1D数据，可以表示为1x3000矢量。对于每个1x3000向量，我有一个标签，它是1x64维二进制向量的另一个1D向量。我有10万个这样的（数据、标签）数据。我不知道怎么才能把这个喂给咖啡馆。所有的例子都是针对尺寸

N

x

N

的图像

你知道如何处理这些数据并将其输入Caffe吗

我想对向量进行零填充，使其为n（零填充）xN，但这似乎不是正确的方法。 还可以将1x3000矢量切片成1xn并将其堆叠起来形成mxn矩阵吗？以前有人这样做过吗

---

如有任何建议，我们将不胜感激

Caffe可以轻松处理1D数据，包括“数据”和“标签”。

---

我认为将数据提供给caffe最直接的方法是使用

hdf5

格式文件。您可以使用带有

'data'

和

'label'

数据集的二进制

hdf5

数据文件中的数据。然后，您可以使用

“HDF5Data”

层将数据馈送到caffe。

caffe可以轻松处理1D数据，包括“数据”和“标签”。

---

我认为将数据提供给caffe最直接的方法是使用

hdf5

格式文件。您可以使用带有

'data'

和

'label'

数据集的二进制

hdf5

数据文件中的数据。然后，您可以使用

“HDF5Data”

图层将数据馈送到caffe。

相关：相关：感谢Shai的建议。我有几个后续问题。1.所以，在这种情况下，卷积层和池层的所有内核都将是1xN维，对吗？caffe是否也支持这一点？2.我的“标签”很长，所以我有点担心这会不会在以后造成不好的结果。对于一个1x3000数据，我有64个（可能增加到128个）二进制向量标签。这与数据属于64个不同的类不同（正如我已经看到一些针对多标签的建议解决方案）。一个标签可以是2^64空间中的任何内容，它特定于一个1x3000数据。这里有什么建议吗？@user2413711（1）是的，您应该使用

kernel\u w

和

kernel\u h

来指定非矩形内核（有关详细信息，请参阅）。（2） 您需要使用适当的损耗层。对于二进制标签，我想你们可以检查图层。谢谢你们的建议。我有几个后续问题。1.所以，在这种情况下，卷积层和池层的所有内核都将是1xN维，对吗？caffe是否也支持这一点？2.我的“标签”很长，所以我有点担心这会不会在以后造成不好的结果。对于一个1x3000数据，我有64个（可能增加到128个）二进制向量标签。这与数据属于64个不同的类不同（正如我已经看到一些针对多标签的建议解决方案）。一个标签可以是2^64空间中的任何内容，它特定于一个1x3000数据。这里有什么建议吗？@user2413711（1）是的，您应该使用

kernel\u w

和

kernel\u h

来指定非矩形内核（有关详细信息，请参阅）。（2） 您需要使用适当的损耗层。对于二进制标签，我想你们可以检查图层。