1.将你原来电脑上已经配置好并生成的hexo目录拷到你的新电脑上,注意无需拷全部,只拷如下几个目录:

_config.yml
package.json
scaffolds/
source/
themes/

将这些目录放到一个目录下,如:hexo/

2.在你的新电脑上首先配置hexo环境:安装Node.js

3.安装hexo,执行命令:

npm install -g hexo

4.安装好之后,进入hexo/目录

5.模块安装,执行命令:

npm install
npm install hexo-deployer-git --save
npm install hexo-generator-feed --save
npm install hexo-generator-sitemap --save

6.部署,执行命令:

  hexo g
hexo deploy

Comment and share

1.简介

这里写图片描述

2.文档与性能

这里写图片描述

3.网络与模型能力

这里写图片描述
这里写图片描述

4.生态与维护

这里写图片描述

5.框架搭建与应用

这里写图片描述

6.架构

6.1 TensorFlow

这里写图片描述

6.2 Caffe

这里写图片描述

6.3 MXNet

这里写图片描述
这里写图片描述

6.4 Paddle

主要从以下几个方面入手:多机并行架构、多GPU并行架构、sequence序列模型以及大规模稀疏训练;

6.5 CNTK

这里写图片描述

7.总结

1). 有关图像的问题使用caffe很方便,训练只需要写prototxt;
2). Caffe是目前产品化最多的库;
3). 应该多关注TensorFlow,毕竟有Google这样的亲爹;
4). 用TensorBoard去观察训练的状态;
5). 可以了解和学习一下mxnet,对显存利用率高;

Comment and share

[TOC]


第一步:生成list文件

首先,在你的MXNet目录下找到im2rec.py的位置:

1
~/mxnet/tools/im2rec.py

其次,准备好你要用来生成rec文件的数据集,存放在某个目录下,如:

1
/home/xxx/data/

现在,我们可以开始生成list文件了,文件后缀为:.lst

python ~/mxnet/tools/im2rec.py –list True –recursive True –train-ratio 0.9 myData /home/xxx/data/


对上面的参数进行解释:

–list:当要生成list文件时,这个参数一定要设为True,表示当前用来生成的list文件;默认是生成rec文件;

–recursive:递归的遍历你的所有数据集,要设为True;

–train-ratio:用来将你的全部数据集拆分成两部分:训练集(train)和交叉验证集(val),具体多少作为训练集,多少作为验证集,就由这个参数来确定;

–test-ratio:同上,分成训练集和测试集两部分;

–exts:这个是你数据的后缀(注,这里我们一般说的图片数据),目前的MXNet只支持两种图片格式:jpg和jpeg,所以如果你的图片是png格式,可以对im2rec.py作如下修改:
将:

1
cgroup.add_argument('--exts', type=list, default=['.jpeg', '.jpg'], help='list of acceptable image extensions.')

改成:

1
cgroup.add_argument('--exts', type=list, default=['.jpeg', '.jpg', '.png'], help='list of acceptable image extensions.')

就OK了。

prefix:这里指的是你要生成list文件的前缀名,我这里命名为myData;

root:这里指的是你的图片数据存放的路径;

不一一列出了,如果你想要知道更多的参数用法,可以如下:

python ~/mxnet/tools/im2rec.py –help

或者你直接打开im2rec.py文件进行查看;


执行完这个命令,你会发现生成两个文件:myData_train.lst和myData_val.lst


第二步:生成rec文件

有了第一步生成的list文件,我们就可以很easy的生成mxnet需要的文件格式rec文件了。

python ~/mxnet/tools/im2rec.py –num-thread 4 –pass-through 1 myData /home/xxx/data/

上面命令中的参数跟第一步差不多,有一个参数要注意:

–pass-through: 设为1,即跳过矩阵变换,否则会报错:未知的array type;

myData就是第一步中生成.lst文件的前缀,这里用它来生成rec;

执行完这条命令,你就会看到两个文件:myData_train.rec和myData_val.rec

结束。

Comment and share

Prepare the input data

Because the input data’s formt of MXNet is rec,so we must turn the image into the .rec format,as folow:

First, we prepare some face images data stored in ‘test_face’ file:

step1:build the txt or lst format from the images

Now,we have so many images in hand.Next,we make some changes to them that generate a list or a txt about the images.As for the list or txt,its format as folllows:


To see explicitly,we can see an image below:

Of course, we still need the test.lst or test.txt.

step2:generate the .rec from txt or lst

Under our MXNet root diretory,we can see

so,we can build the rec doc by using ‘im2rec’.

The comman as folows:

Here,we can see three parameters.They are:

the first param: the path of your lst or txt have been build;

the second one: the path of your images;

the third one: the path of your .rec.

OK,so far we have the rec doc of train data,but we still lack the rec of test data.In that,we can generate the test.rec with the same method.Finally,you can get four files:

Good luck!

Continue reading
  • page 1 of 1

zhleternity

A girl loves algorithms about Computer Vision,Deep Learning,and Machine Learning .etc.She likes making some friends in the same camp.


Worked with all algorithms


GuangZhou
Fork me on GitHub