Tag: 咖啡

培训期间的常见原因: 我注意到训练中频繁发生的是NAN s的引入。通常情况下，似乎是通过内部产品/完全连接或卷积层吹起来的重量来引入的。这是否发生，因为梯度计算正在炸毁？或者是因为重量初始化（如果是的话，为什么重量初始化有这个效果）？或者这可能是由input数据的性质造成的？这里最重要的问题是：在训练期间发生NAN的最常见原因是什么？其次，有什么方法来打击这个（为什么他们工作）？

如何在Slim模板中的CoffeeScript引擎中访问实例variables: 我有一个Rails控制器，我正在设置一个实例variables – @user_name = "Some Username" 在我的.slim模板中，我使用咖啡引擎来生成JavaScript，并希望从客户端打印出用户名 – sie javascript代码 – coffee: $(document).ready -> name = "#{@user_name}" alert name 但是，这是正在生成的JavaScript？ $(document).ready(function() { var name; name = "" + this.my_name; alert(name); } 如何在我的CoffeeScript代码中访问控制器实例variables？我把这个标记为haml，因为我猜测haml在使用CoffeeScript时会遇到同样的问题。

如何以HDF5格式提供caffe多标签数据？: 我想用一个向量标签的咖啡，而不是整数。我查了一些答案，看来HDF5是一个更好的方法。但是，然后我陷入了像这样的错误： outer_num_ * inner_num_ == bottom[1]->count() ：34]检查失败： outer_num_ * inner_num_ == bottom[1]->count() （50与200）标签数量必须匹配预测数量; 例如，如果标签轴== 1且预测形状是（N，C，H，W），则标签计数（标签数量）必须是N*H*W ，其中整数值在{0，1，…， C-1}。与HDF5创build为： f = h5py.File('train.h5', 'w') f.create_dataset('data', (1200, 128), dtype='f8') f.create_dataset('label', (1200, 4), dtype='f4') 我的networking是由以下产生的： def net(hdf5, batch_size): n = caffe.NetSpec() n.data, n.label = L.HDF5Data(batch_size=batch_size, source=hdf5, ntop=2) n.ip1 = L.InnerProduct(n.data, num_output=50, weight_filler=dict(type='xavier')) n.relu1 = L.ReLU(n.ip1, in_place=True) n.ip2 […]

：检查失败：检查失败：hdf_blobs_ – > shape（0）== num（200 vs. 6000）: 我有火车和标签数据data.mat。（我有200个具有6000个特征的训练数据，标签是保存在data.mat中的（-1，+1））。我正在尝试在hdf5中转换我的数据并使用以下命令运行Caffe： load data.mat hdf5write('my_data.h5', '/new_train_x', single( reshape(new_train_x,[200, 6000, 1, 1]) ) ); hdf5write('my_data.h5', '/label_train', single( reshape(label_train,[200, 1, 1, 1]) ), 'WriteMode', 'append' ); 而我的layer.prototxt（只是数据层）是： layer { type: "HDF5Data" name: "data" top: "new_train_x" # note: same name as in HDF5 top: "label_train" # hdf5_data_param { source: "/path/to/list/file.txt" batch_size: 20 } include { phase: TRAIN […]

InfogainLoss图层: 我希望在我的模型中使用InfogainLosstypes的丢失图层。但是我很难正确定义它。有没有关于使用INFOGAIN_LOSS图层的任何教程/例子？该层的input，类概率，是否为SOFTMAX层的输出，还是足以input完全连接层的“顶层”？ INFOGAIN_LOSS需要三个input：类概率，标签和matrixH matrixH可以作为层参数infogain_loss_param { source: "fiename" } 。假设我有一个python脚本，用numpy.array dtype='f4' （其中L是模型中的标签数(L,L)计算H为numpy.array的形状(L,L) ）。我怎样才能将我的numpy.array转换成可以作为infogain_loss_param { source }给模型的binproto文件？假设我想把H作为第三个input（底部）提供给损失层（而不是模型参数）。我该怎么做？我是否定义了一个“顶”是H的新数据层？如果是这样的话，每次训练迭代都不会增加这个层的数据，就像训练数据增加一样？我如何定义多个不相关的input“数据”层，caffe如何知道从批处理的训练/testing“数据”层中读取，而从H “数据”层知道只读取一次所有训练处理？

如何在caffe中训练/testing我自己的数据集？: 我从Caffe开始，这个例子运行得很好。我有火车和标签数据data.mat 。（我有300个训练数据，有30个特征，标签是(-1, +1) ，保存在data.mat ）。但是，我不太明白如何使用caffe来实现我自己的数据集？有没有一步一步教程可以教我？非常感谢！！！！任何意见将不胜感激！