Machine learning 用给定数据集实现深度学习体系结构

我对咖啡馆和深度学习都是新手。我只是想实现深度学习架构。

这就是我试图实现的体系结构。体系结构和Parse27k数据集由亚琛大学视觉计算研究所的计算机视觉小组创建和构建

下面您可以看到我需要改进的模型：

Train_val.txt

Solver.prototxt

在实现这个架构时，我有两个主要困难

如上所述，我的模型不包括自定义损耗层。我的模型几乎是caffeNet建筑。但我应该用自定义丢失层（绿色框）替换红色框内的最后一层

我的火车数据集具有以下结构

如图所示，作物和标签中的行数（示例）相同。但是，我的标签数据集中有12列。我的模型在只有一个标签的情况下工作。我怎样才能参加所有标签的培训

我在Train_val.prototxt中的模型目前看起来是这样的：

---

任何形式的帮助或建议都将不胜感激

如果我理解正确，您将尝试为每个输入示例预测12个离散标签（属性）。在这种情况下，您应该使用以下标签：

layer {
  type: "Slice"
  name: "slice_labels"
  bottom: "label"
  top: "attr_00"
  top: "attr_01"
  top: "attr_02"
  top: "attr_03"
  top: "attr_04"
  top: "attr_05"
  top: "attr_06"
  top: "attr_07"
  top: "attr_08"
  top: "attr_09"
  top: "attr_10"
  top: "attr_11"
  slice_param {
    axis: -1 # slice the last dimension
    slice_point: 1
    slice_point: 2
    slice_point: 3
    slice_point: 4
    slice_point: 5
    slice_point: 6
    slice_point: 7
    slice_point: 8
    slice_point: 9
    slice_point: 10
    slice_point: 11
  }
}

---

现在，每个属性都有一个“标量”标签。我相信你可以从这里得到它。

我在执行时收到这样一条错误消息F1101 14:11:12.764832 7023层。hpp:374]检查失败：ExactNumbertomBlobs（）==bottom.size（）（2对13）精度层将2个底部blob作为输入。我甚至尝试只发送一个属性到loss和fc8，但仍然是相同的错误。图片链接model prototxt document@MIRMIX查看您发布的模型：。正如您所见，每个属性有不同的损失（和精度）层。不能为所有属性使用单个图层。按照您尝试实施的计划工作。我得到了它，但正如我提到的，即使我尝试为一个属性执行它，它也会再次向我发送错误消息。它是否至少适用于一个标签？@MIRMIX您的模型不显示Accuracy图层。该层也仅适用于一个属性。

fc8

的

num\u输出是否与
attr\u 00
的离散标签（“状态”）数量相对应？请注意，每个属性应有不同的
fc8
层。（如果您密切关注，则每个属性需要
fc8\u隐藏
和
fc8
层）。
net: "models/Parse27/train_val.prototxt"
test_iter: 1000
test_interval: 1000
base_lr: 0.01
lr_policy: "step"
gamma: 0.1
stepsize: 100000
display: 20
max_iter: 450000
momentum: 0.9
weight_decay: 0.0005
snapshot: 10000
snapshot_prefix: "models/Parse27/Parse27_train"
solver_mode: GPU

crops       Dataset {27482, 3, 128, 192}
labels      Dataset {27482, 12}
mean        Dataset {3, 128, 192}
pids        Dataset {27482}

layer {
  type: "Slice"
  name: "slice_labels"
  bottom: "label"
  top: "attr_00"
  top: "attr_01"
  top: "attr_02"
  top: "attr_03"
  top: "attr_04"
  top: "attr_05"
  top: "attr_06"
  top: "attr_07"
  top: "attr_08"
  top: "attr_09"
  top: "attr_10"
  top: "attr_11"
  slice_param {
    axis: -1 # slice the last dimension
    slice_point: 1
    slice_point: 2
    slice_point: 3
    slice_point: 4
    slice_point: 5
    slice_point: 6
    slice_point: 7
    slice_point: 8
    slice_point: 9
    slice_point: 10
    slice_point: 11
  }
}