Skip to first unread message
Soodabe Zarezade
Jul 16, 2016, 5:18:29 AM7/16/16
to irandeep...@googlegroups.com
سلام
ممنون میشم اگر کامل بفرمایید این دوفایل چه تفاوت هایی دارند و در چه زمانی شبکه از اونها استفاده می کند ؟
با این مبنا که اطلاع دارم فایل train_val هنگام train استفاده میشه و حاوی ساختار شبکه هست !
ممنون
Mohsen
Jul 16, 2016, 5:49:25 AM7/16/16
to IranDeepLearning
سلام
همانطور که گفتید فایل train_val برای زمان آموزش شبکه هستش
فایل deploy برای زمانی هست که شما یک شبکه آموزش دیده به همراه فایل وزنها دارید و می خواید ازش استفاده کنید و خروجی بگیرید
تفاوت عمده این دو فایل در این است که برای فایل آموزشی شبکه حتما باید نوع لایه ورودی گرفتن داده رو مشخص کنید مثلا LMDB یا HDF5 و مشابه این موارد. همچنین در این فایل باید لایه loss و cost function رو هم مشخص کنید چون قراره این شبکه آموزش ببینه.
ولی در فایل deploy عموما نوع ورودی به صورت متفاوت مشخص می شه چون عموما ورودی از طریق یک نرم افزار و از طریق رم سیستم قراره به شبکه ارسال بشه. همچنین در آخرین لایه دیگه نباید لایه های loss بگذارید و عموما لایه های احتمالاتی برای نرمال کردن خروجی و این جور موارد استفاده می شه.
همانطور که گفتید فایل train_val برای زمان آموزش شبکه هستش
فایل deploy برای زمانی هست که شما یک شبکه آموزش دیده به همراه فایل وزنها دارید و می خواید ازش استفاده کنید و خروجی بگیرید
تفاوت عمده این دو فایل در این است که برای فایل آموزشی شبکه حتما باید نوع لایه ورودی گرفتن داده رو مشخص کنید مثلا LMDB یا HDF5 و مشابه این موارد. همچنین در این فایل باید لایه loss و cost function رو هم مشخص کنید چون قراره این شبکه آموزش ببینه.
ولی در فایل deploy عموما نوع ورودی به صورت متفاوت مشخص می شه چون عموما ورودی از طریق یک نرم افزار و از طریق رم سیستم قراره به شبکه ارسال بشه. همچنین در آخرین لایه دیگه نباید لایه های loss بگذارید و عموما لایه های احتمالاتی برای نرمال کردن خروجی و این جور موارد استفاده می شه.
rahim entezari
Jul 16, 2016, 6:52:15 AM7/16/16
to irandeep...@googlegroups.com
سلام
برای تنظیم پس باید از
deploy
استفاده کرد؟
اگر توی این حالت تنظیم همون لایه لاس رو مانند قبل ذاریم مقدار نمایش داده شده برای این لاس اشتباه هست ؟
لایه احتمالاتی پراب رو برای رگرسون چطور باید نوشت؟ مثه حالت عادی کلاسه بندی؟
Mohsen
Jul 16, 2016, 7:41:09 AM7/16/16
to IranDeepLearning
سلام برای خروجی گرفتن باید فایل deploy رو تنظیم کنید.
لایه prob رو برای خروجی های از جنس رگرسیون حذف کنید
ترجیحا از Loss فاصله اقلیدسی استفاده کنید موقع آموزش
لایه prob رو برای خروجی های از جنس رگرسیون حذف کنید
ترجیحا از Loss فاصله اقلیدسی استفاده کنید موقع آموزش
rahim entezari
Jul 16, 2016, 8:12:52 AM7/16/16
to IranDeepLearning
On Saturday, July 16, 2016 at 1:48:29 PM UTC+4:30, Soodabe Zarezade wrote:
rahim entezari
Jul 16, 2016, 8:18:40 AM7/16/16
to IranDeepLearning
میبخشین من خوب متوجه نشدم.
یعنی اون فایل اولیه که باهاش شبکه رو آموزش میدیم که توش واژه‌‌های
Train ,Test
داریم در حقیقت این تست کار ولیدیشن انجام میده؟
حالا برای این‌که ازش خروجی بگیریم فایل دیپلوی رو مینویسیم و دوباره میذاریم آموزش ببینه با همون دستوز قبلی در کافه؟
من که میخوام ویژگی در بیارم باید چیکار کنم؟
Mohsen
Jul 16, 2016, 2:29:50 PM7/16/16
to IranDeepLearning
بله برای آموزش اونها هستن
ولی برای خروجی گرفتن از deploy استفاده میشه و عموما از توی پایتون یا متلب یا سی++ کفه فراخوانی میشه و داده ورودی به شبکه ارسال میشه و خروجی از شبکه گرفته میشه. مثالهای کفه برای متلب و پایتون مثالهای خوبین. ا
ولی برای خروجی گرفتن از deploy استفاده میشه و عموما از توی پایتون یا متلب یا سی++ کفه فراخوانی میشه و داده ورودی به شبکه ارسال میشه و خروجی از شبکه گرفته میشه. مثالهای کفه برای متلب و پایتون مثالهای خوبین. ا
rahim entezari
Jul 18, 2016, 8:10:32 AM7/18/16
to IranDeepLearning
سلام
من فایل دیپلوی رو آماده کردم. مثال ها رو هم دیدم. اما مثال برای رگرسیون ندیم.مثالهایی که بود برای کلاسه بندی بود مثل این:
الان نمیدونم چجوری این فایل دیپلوی رو اجرا کنم؟
Seyyed Hossein Hasanpour
Jul 18, 2016, 11:59:54 AM7/18/16
to irandeep...@googlegroups.com
سلام
کدوم فایل؟
deploy چیز خاصی نداره. آقا محسن لطف کردن توضیحات کامل رو دادن. مهمترین تفاوتش با train در اینه که لایه ورودی (input) به همراه یکسری لایه دیگه مثل دراپ اوت تو تست نهایی شرکت داده نمیشن حذف میشن چون مربوط به بخش آموزش هستن.
البته شما نیازی نداری لایه ای رو حذف کنی بصورت فیزیکی کافیه فقط لایه ورودی رو تغییر بدی و در انتها هم بجای loss و accuracy در دسته بندی از سافت مکس استفاده کنید.
شما برای رگرشن از "EuclideanLoss" استفاده باید بکنید (آموزش)
برای فایل deploy شما باید اون لایه لاس رو کلا برداری و لایه fully connected اخرین لایه شبکه ات باشه .
لایه EuclideanLoss کلا مربوط به زمان آموزش هست .
اینجا هم برای دیدن یه نمونه از رگرشن در Caffe پیشنهاد میشه
البته اینم بگم که من رگرشن کار نکردم اگر نکته خاصی باشه اطلاع ندارم ولی کلیت بنظرم به همین شکلی هست که عرض کردم)
Mohsen
Jul 18, 2016, 4:47:21 PM7/18/16
to IranDeepLearning
من فقط یک نکته رو هم اضافه کنم که برای رگرسیون برای Deploy نیازی به لایه Loss نیست و از آخرین لایه عصبی خروجی رو بگیر. برای یه مثال رگرسیون خوب می تونی اینجا رو بخونی:
http://christopher5106.github.io/deep/learning/2016/06/07/recurrent-neural-net-with-Caffe.html
در این مثال اومده یک سیگنال رو آموزش داده به شبکش و خب مثال خیلی خوبیه برای رگرسیون
http://christopher5106.github.io/deep/learning/2016/06/07/recurrent-neural-net-with-Caffe.html
در این مثال اومده یک سیگنال رو آموزش داده به شبکش و خب مثال خیلی خوبیه برای رگرسیون
On Saturday, July 16, 2016 at 1:48:29 PM UTC+4:30, Soodabe Zarezade wrote:
Reply all
Reply to author
Forward
This conversation is locked
You cannot reply and perform actions on locked conversations.
0 new messages