讲道理先从手网开始入坑是一个很不错的选择，试错成本低，能更直观地体验到烘焙的乐趣。但是缺点也很明显：味道会比较大；烘焙过程中到处飘飞地银皮，在后面清理的时候会比较头疼（这个真的会被家里人给嫌弃）；对臂力要求比较高；单次出品分量不多。
后来在不断地搜索下，找到了 GENE CAFE 这款小型烘豆机，价格还行，某宝 3k+，搜索这款机器国内交流心得发现帖子比较少，有人指出这款机器还是一个烘焙效果一般的玩具，在于升温较慢，最后出品不会很高。
不知道 V 友有没有自行烘焙豆子的爱好，可以交流交流，让我学习一下。
]]>https://github.com/KleinYuan/Caffe2-iOS
欢迎大家一起 contribute
]]>import sys,os
caffe_root = '/opt/caffe/'
sys.path.insert(0, caffe_root + 'python')
import caffe
os.chdir(caffe_root)
net_file=caffe_root + 'deploy.prototxt'
caffe_model=caffe_root + 'test.caffemodel'
mean_file=caffe_root + 'mean.npy'
net = caffe.Net(net_file,caffe_model,caffe.TEST)
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
transformer.set_transpose('data', (2,0,1))
transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))
transformer.set_raw_scale('data', 255)
transformer.set_channel_swap('data', (2,1,0))
#把 transformer 持久化存储下来
im=caffe.io.load_image(caffe_root+'/sample/1.jpg')
net.blobs['data'].data[...] = transformer.preprocess('data',im)
out = net.forward()
print out
服务器没 GPU，每次加载一个 transformer 非常耗时，我就在想只加载一次，能不能持久化把这个 transformer 存储下来，以后每次测试图片直接调用就行了？
另外，如果使用别人已经建立好了的 caffemodel 来测试，是不是有了 GPU 会更快些？
机器学习新手问题估计比较幼稚，还是先谢谢了 ]]>
import numpy as np
import matplotlib.pyplot as plt
caffe_root = '/opt/caffe/'
import sys
sys.path.insert(0, caffe_root + 'python')
import caffe
MODEL_FILE = caffe_root + 'ILGnet/deploy.prototxt'
PRETRAINED = caffe_root + 'ILGnet/ILGnet-AVA2.caffemodel'
IMAGE_FILE = caffe_root+'examples/images/cat.jpg'
mean_file=caffe_root + 'ILGnet/AVA2_mean.npy'
caffe.set_mode_cpu()
net = caffe.Classifier(MODEL_FILE, PRETRAINED,
mean=np.load(mean_file).mean(1).mean(1),
channel_swap=(2,1,0),
raw_scale=255,
image_dims=(227, 227))
input_image = caffe.io.load_image(IMAGE_FILE)
plt.imshow(input_image)
prediction = net.predict([input_image])
plt.plot(prediction[0])
plt.show()
print 'predicted class:', prediction[0].argmax()
然后就出现： F0423 12:33:29.282009 172 insert_splits.cpp:35] Unknown bottom blob 'label' (layer 'loss1/loss', bottom index 1)
完全新手，估计代码错的很离谱，大家就别嘲笑了哈，想问一下这个如果 Python 实现的话该怎样写？ V 站高手多，希望能得到解答，真诚谢谢~
]]>题目 Caffe: Convolutional Architecture for Fast Feature Embedding
地址在这 http://arxiv.org/abs/1408.5093
看英文大概能懂，但是想要翻译成中文就不知道怎么说了。。。 ]]>
name: "conv1"
type: "Convolution"
bottom: "data"
top: "conv1"
param { lr_mult: 1 decay_mult: 1 }
param { lr_mult: 2 decay_mult: 0 }
convolution_param {
num_output: 96
kernel_size: 11
stride: 4
weight_filler {type: "gaussian" std: 0.01 }
bias_filler {type: "constant" value: 0}
}
}
之前我看了 UFLDL 教程，那里 filter 是事先通过同类的 training set 经过 Sparse Autoencoder 的得出的（模拟人类识别图像时，只有少部分神经活跃），自编码时 loss function 中还有个 KL_divergence 判罚，但这里使用的 loss function 没有该项。
此外，对 filter 进行配置的 weight_filler 和 bias_filler 是什么作用？是进行初始化的吗？
如果是，那 weight_filter 里面的 type 又是干嘛的？
如果不是， loss function 和 solvers 都已经给出了，这一项又有什么作用？ ]]>
但是这明明只是一个demo程序啊...
Google了一下都没有找到相关的内容……
如果注释掉这句，程序似乎是可以运行的。但是很快，在Extracting之后Matlab就会崩溃。
]]>