Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads.
Pratik Caffe Kullanımı
Birol Kuyumcu
Github
Linkedin
E-mail
Blog
Caffe Nedir
● Convolution Architecture For Feature Extraction
● Derin öğrenme kütüphanesi
● Açık kaynak kodlu & Geniş bir ...
Convolution
Yapay Sinir Ağı
CNN
Windows’da Kurulum
● Önce Yüklenecekler ;
●
Visual Studio
● CUDA ve cuDNN kütüphanleri ( NVIDIA)
●
Python – Anaconda 2.7 6...
● Resmi Windows Kurulumu
● Visual Studio 2013 ve Cuda 7.5 ‘i kurun
● Resmi Windows dalını harddiskinize indirin
● CommonSe...
Komut Satırı Programlar (Caffe)
Caffe <komut> <parametreler>
Komutlar :
train : Eğitmek yada eğitilmiş model üzerinde ince...
Komut Satırı Programlar (Caffe)
●
Parametreler
-gpu : İşlemlerin gpu üzerinden yapılacağını bildirir
-iterations : iterasy...
Komut Satırı Programlar
(Convert_imageset)
convert_imageset [parametreler] ana_dizin / dosya_listesi veritabanı_adı
-backe...
Komut Satırı Programlar
( compute_image_mean )
compute_image_mean [parametreler] Veritabanı Adı [Ortalama
Görüntü Dosyası ...
Caffe Dosyaları
● Ağ Model Dosyası : Ağ yapısını gösteren
prototxt formatında dosyalardır.
– Eğitim ve kullanım için ayrı ...
Ağ Model Dosyası
● Katmanlar Halinde yazılır
Ağ Model Dosyası
● Temel Katman Tipleri
– Data
– Convolution
– Pooling
– Aktivasyon
● Sigmoid
● ReLU
– InnerProduct
– Loss
Solver Dosyası
●
net : Ağ Model dosyasının adı prototxt formatında
●
test_interval: Kaç iterasyonda bir test uygulanacağın...
Hazır Modeller
Model Adı Top 1
Accuracy %
Top 5
Accuracy %
Iterasyon Not
AlexNet 57.1 80.2 360,000 2012
CaffeNet 57.4 80.4...
Hazır Modeller
Caffe - Zoo
Uygulama
● Problem Seçimi
● Veri Seti Hazırlama
● Model Seçimi ve Düzenleme
● Eğitim
● Test
Problem Seçimi
● Renk Tanıma
Problem Seçimi
● Renk Tanıma
Problem Seçimi
● Elbise Rengi Tanıma
Veri Seti Hazırlama
● Sınıfları belirleyin – 12 Renk -
● Her Sınıf için yeter miktarda veri toplayın
Ortalama 500 adet res...
Veri Seti Hazırlama
● Eğitim ve Test için liste hazırlamak
– CaffeUtility.py
● Listelerden veritabanına dönüşüm
– convert_...
● Model Seçimi ve Düzenleme
● Hazır Modellerden Birini seçin
– CaffeNet i seçtik
● Ağ Model Dosyasını düzenle
– Veri giriş...
Eğitim
● Solver dosyasını düzenleyin
● Caffe programını çalıştırın
● Loss ve Accuracy değerlerini takip edin
Test
● Classification – ipython notebook -
● Test.py
● Gui/colorRec.py
Test
Son
Pratik caffe
Upcoming SlideShare
Loading in …5
×

Pratik caffe

4,550 views

Published on

Pratik Caffe Sunumu
http://www.meetup.com/Ankara-Deep-Learning/events/235134662/

Published in: Software

Pratik caffe

  1. 1. Pratik Caffe Kullanımı Birol Kuyumcu Github Linkedin E-mail Blog
  2. Caffe Nedir ● Convolution Architecture For Feature Extraction ● Derin öğrenme kütüphanesi ● Açık kaynak kodlu & Geniş bir camiası var ● C++ & CUDA / Python / Matlab ● Program Yazmadan : Komut Satırından Kullanım ● Program Yazmadan : GUI DIGITS ile Kullanım ● Çoklu GPU desteği ● Hazır Modeller ( Ağ yapısı + Eğitilmiş ) ● Windows Desteği
  3. Convolution
  4. Yapay Sinir Ağı
  5. CNN
  6. Windows’da Kurulum ● Önce Yüklenecekler ; ● Visual Studio ● CUDA ve cuDNN kütüphanleri ( NVIDIA) ● Python – Anaconda 2.7 64 bit - ● Windows Uyumlu Dağıtım Seç ● Caffe-Builder : ● github.com/willyd/caffe-builder ● Resmi Windows dalı : Microsoft öncülüğünde ● github.com/BVLC/caffe/tree/windows ● Derlenmiş Bul
  7. ● Resmi Windows Kurulumu ● Visual Studio 2013 ve Cuda 7.5 ‘i kurun ● Resmi Windows dalını harddiskinize indirin ● CommonSettings.props.example -> CommonSettings.props ● Python dizninizi kendi Python kurulumunuza göre düzeltin <PythonDir>C:Anaconda2</PythonDir> ● CuDNN i indirin ve bir dizine açın yolunu belirtin <CuDnnPath>C:cuDNN</CuDnnPath> ● Caffe.sln dosyasını açın ve Relase olarak Derleyin ● komut satırı programlar ...Buildx64Relase dizini altında bulunur ● Python desteği için ...Buildx64Releasepycaffe dizinindeki caffe dizinini pythonLibsite-packages dizinine kopyalayın
  8. Komut Satırı Programlar (Caffe) Caffe <komut> <parametreler> Komutlar : train : Eğitmek yada eğitilmiş model üzerinde ince ayar için kullanılır test : Eğitilmiş modeli test edip performansını hesaplar device_query : GPU donanımı hakkında bilgi verir time : Modelin çalışma zamanını ölçüp raporlar
  9. Komut Satırı Programlar (Caffe) ● Parametreler -gpu : İşlemlerin gpu üzerinden yapılacağını bildirir -iterations : iterasyon sayısını ayarlar varsayılan değer 50 -model : model dosyasının adını verirsiniz ( prototxt ) -snapshot : yarıda kesilmiş eğitime daha önceden eğitim esnasında kaydedilmiş “.solverstate” uzantılı dosyayı kullanarak devam etmek için kullanılır -solver : .protoxt uzantılı eğitim parametrelerini yazdığınız dosyanın adı -weights : Eğitim transferi için daha önceden eğitilmiş olan .caffemodel uzantılı dosya adı
  10. Komut Satırı Programlar (Convert_imageset) convert_imageset [parametreler] ana_dizin / dosya_listesi veritabanı_adı -backend : veritabanı türü halen iki seçenek var { lmdb, leveldb } ön tanımlı "lmdb" -encode_type : veritabanına atılacak verilerin kodlanma metodu ( 'png','jpg',...) gibi belirtilmezse olduğu gibi aktarılır -gray : mantıksal değişken bool eğer true ise görüntü siyah beyaz olarak aktarılır belirtilmediğinde olduğu gibi -resize_height : Görüntülerin sabit bir yüksekliğe çevirir -resize_width : Görüntülerin sabit bir genişliğe çevirir -shuffle : Listedeki sıralmayı karıştırır
  11. Komut Satırı Programlar ( compute_image_mean ) compute_image_mean [parametreler] Veritabanı Adı [Ortalama Görüntü Dosyası Adı] Veritabanındaki görüntüler için bir ortalama görüntü - mean image - hesaplar ve kaydeder. compute_image_mean data-train data-mean.binaryproto compute_image_mean data-train data-mean.npy Gibi veritabanı veritabanı türü halen iki seçenek var {lmdb, leveldb} ön tanımlı "lmdb" diğer seçenek için -beckend “leveldb” ile beritmeniz gerekiyor.
  12. Caffe Dosyaları ● Ağ Model Dosyası : Ağ yapısını gösteren prototxt formatında dosyalardır. – Eğitim ve kullanım için ayrı ayrı olur ● Solver Dosyası : Eğitim parametrelerinin ayarlandığı prototxt formatında dosyalardır. ● Ağırlık Dosyası : Eğitim sırasında ve sonucunda oluşturulan ağın ağırlıklarının tutulduğu uzantısı .caffemodel olan dosyalar
  13. Ağ Model Dosyası ● Katmanlar Halinde yazılır
  14. Ağ Model Dosyası ● Temel Katman Tipleri – Data – Convolution – Pooling – Aktivasyon ● Sigmoid ● ReLU – InnerProduct – Loss
  15. Solver Dosyası ● net : Ağ Model dosyasının adı prototxt formatında ● test_interval: Kaç iterasyonda bir test uygulanacağını belirler ● base_lr : Başlangıç Öğrenme hızı ● lr_policy: Öğrenme Hızı değişim fonksiyonu ● momentum: Eğitim esnasında lokal minimumda takılmama ● weight_decay: Yapay Sinir Ağlarında yapının ezbere kaymasını önleme amaçlı ● iterations display: Eğitim durum gösterme işlemi kaç iterasyonda bir onu belirler ● max_iter : Maksimum iterasyon sayısını ayarlar ● snapshot: Kaç iterasyonda bir kayıt yapılacak (.caffemodel & .solverstate ) ● solver mode: Eğitim için işlem modu cpu yada gpu ● solver_type : Eğitim için kullanılacak eğitim metodu çözücü tipi
  16. Hazır Modeller Model Adı Top 1 Accuracy % Top 5 Accuracy % Iterasyon Not AlexNet 57.1 80.2 360,000 2012 CaffeNet 57.4 80.4 310,000 GoogleNet 68.7 88.9 2,400,000 2014 VGG 76.3 92 2014 ResNet 80.62 95.5 2015
  17. Hazır Modeller Caffe - Zoo
  18. Uygulama ● Problem Seçimi ● Veri Seti Hazırlama ● Model Seçimi ve Düzenleme ● Eğitim ● Test
  19. Problem Seçimi ● Renk Tanıma
  20. Problem Seçimi ● Renk Tanıma
  21. Problem Seçimi ● Elbise Rengi Tanıma
  22. Veri Seti Hazırlama ● Sınıfları belirleyin – 12 Renk - ● Her Sınıf için yeter miktarda veri toplayın Ortalama 500 adet resim toplandı ● Çalışma koşullarına uygun çeşitlilikte olsun ● Doğru olsun
  23. Veri Seti Hazırlama ● Eğitim ve Test için liste hazırlamak – CaffeUtility.py ● Listelerden veritabanına dönüşüm – convert_imageset ● Ortalama Görüntü Oluşturma – compute_image_mean
  24. ● Model Seçimi ve Düzenleme ● Hazır Modellerden Birini seçin – CaffeNet i seçtik ● Ağ Model Dosyasını düzenle – Veri giriş dosyalarını güncelle – Ortalama Görüntü adını güncelle – Çıkış Sayısını Uygulamamıza göre -12 -düzenle ● Eğitim Transferi – Çıkış katman Öğrenme hızını artır – Ön katmanların Öğrenme hızlarını kıs – Ağırlık Dosyasını temin et
  25. Eğitim ● Solver dosyasını düzenleyin ● Caffe programını çalıştırın ● Loss ve Accuracy değerlerini takip edin
  26. Test ● Classification – ipython notebook - ● Test.py ● Gui/colorRec.py
  27. Test
  28. Son
инстафорекс аналитика

alpari украина

alfaakb.com/category/topla/

×