Caffe框架下载地址：https://github.com/BVLC/caffe

此文章作为存档文章，caffe虽然不是c++版本运行CenterNet的最优方式，但也是一种选择。这里仅仅是记录，承接利用Caffe推理CenterNet(上篇)。

假设我们已经训练好了一个CenterNet模型。这里我拿ResNet50作为例子。

caffe(https://github.com/BVLC/caffe/tree/master/examples/mnist)

convert_imageset是将我们准备的数据集文件转换为caffe接口更快读取的LMDB或HDF5数据类型。

在有监督的机器学习中，需要有标签数据，与此同时，也需要有对应的损失函数（Loss Function）。在Caffe中，目前已经实现了一些损失函数，包括最常见的L2损失函数，对比损失函数，信息增益损失函数等等。在这里做一个笔记，归纳总结Caffe...

如果让我投票给深度学习中，最不想调试，但又必须要小心调试的参数，毫无疑问会投给学习率，今天就来说说这个。

参考 caffe 将三通道或四通道图片转换为lmdb格式，将标签（单通道灰度图）转换为lmdb格式 http://blog.csdn.net/c_qianbo/article/details/53375476

本文转自： http://blog.csdn.net/yiliang_/article/details/60464968

Train训练（用cmdcaffe命令行） （solver.prototxt） 在使用cmdcaffe时，需要默认切换到Caffe_Root文件夹下，需要使用上述命令才可以使用tools下的caffe接口，因为caffe默认都需要从根目录下面执行文件。 1、训练模型，以mnist为例子...