LeeNet分類網路（ImageNet100：top1-73.44%，top5-91.40%，CPU_forward-30ms，model_size-2.7M）

阿新 • • 發佈：2019-01-25

一、前言

分類網路應用廣泛，亦可作為預訓練模型用於檢測網路，有很好的科研和商業價值。一般的分類網路基於多種資料集做了一個綜合的測評，但是因工程條件限制，很難將所有資料集下載並測試，所以博主整理了imagenet100資料集，是從imagenet1000中扣取出來的100類，每類訓練資料1000張，測試資料300張，滿足工業應用。

二、網路

網路改自ResNet，訓練出的網路模型大小為2.7MB。

三、測試條件

測試硬體：CPU-i7-4790-8core

測試軟體：vs2013，caffe-windows，以及各種依賴庫

四、測試結果

測試結果：準確率方面（top1-73.44%，top5-91.40%）

速度

方面（forward_CPU_time-30ms）

模型大小（2.7MB）

五、對比結果：

已知各網路對比結果如下（取自YOLO官網），可見博主網路在工業應用中有一定的優勢：

六、後續計劃：1）下載多個數據集對比，考慮撰寫論文

2）考慮公開網路和模型，上傳至github，以供科研交流

任何問題請加唯一QQ2258205918(名稱samylee) !!!

LeeNet分類網路（ImageNet100：top1-73.44%，top5-91.40%，CPU_forward-30ms，model_size-2.7M）

一、前言分類網路應用廣泛，亦可作為預訓練模型用於檢測網路，有很好的科研和商業價值。一般的分類網路基於多種資料集做了一個綜合的測評，但是因工程條件限制，很難將所有資料集下載並測試，所以博主整理了imagenet100資料集，是從imagenet1000中扣取出來的100類，

CNN分類網路架構演進：從LeNet到Densnet解析及其keras實現

文章轉自：http://www.cnblogs.com/skyfsm/p/8451834.html 卷積神經網路可謂是現在深度學習領域中大紅大紫的網路框架，尤其在計算機視覺領域更是一枝獨秀。CNN從90年代的LeNet開始，21世紀初沉寂了10年，直到12年AlexNet開始又再煥發第二春，從Z

吳恩達系列課程——卷積神經網路（From：網易雲課堂）

一.卷積神經網路1.計算機視覺圖片分類、圖片識別：給出64*64圖片計算機判斷是否是一隻貓目標檢測：檢測出圖片中有哪些物體以及他們的位置風格遷移：圖片融合圖片1的輪廓和圖片2的風格eg:1000*1000大小的圖片的特徵向量將達到1000*1000*3（RGB 3channe

安裝mysql後連接出錯（錯誤：Access denied for user 'root'@'localhost' (using password: YES)"）的解決辦法

access 設置 lec 提示回車 eight png varchar oot 　　前幾天下載了mysql5.7正常安裝後，用navicat for mysql連接時提示“Access denied for user [email protec

在 Java 的多執行緒中，如何去判斷給定的一個類是否是執行緒安全的（另外：synchronized 同步是否就一定能保證該類是執行緒安全的。）

同步程式碼塊和同步方法的區別：同步程式碼塊可以傳入任意物件，同步方法中如果多個執行緒檢查的都是一個新的物件，不同的同步鎖對不同的執行緒不具有排他性，不能實現執行緒同步的效果，這時候執行緒同步就失效了。　　兩者的區別主要體現在同步鎖上面。對於例項的同步方法，因為只能使用

神經網路（四）：應用示例之分類

一、傳統分類模型的侷限在之前的文章中（《神經網路（一）》、《神經網路（二）》和《神經網路（三）》），我們討論的重點是神經網路的理論知識。現在來看一個實際的例子，如何利用神經網路解決分類問題。（為了更好地展示神經網路的特點，我們在這個示例中並不劃分訓練集和測

【機器學習】動手寫一個全連線神經網路（三）：分類

我們來用python寫一個沒有正則化的分類神經網路。傳統的分類方法有聚類，LR邏輯迴歸，傳統SVM，LSSVM等。其中LR和svm都是二分類器，可以將多個LR或者svm組合起來，做成多分類器。多分類神經網路使用softmax+cross entropy組

tensorflow 學習專欄（六）：使用卷積神經網路（CNN）在mnist資料集上實現分類

卷積神經網路（Convolutional Neural Network, CNN）是一種前饋神經網路，它的人工神經元可以響應一部分覆蓋範圍內的周圍單元，對於大型影象處理有出色表現。卷積神經網路CNN的結構一般包含這幾個層：輸入層：用於資料的輸入卷積層：使用卷積核進行特徵提取和

吳恩達.深度學習系列-C1神經網路與深度學習-w3-（作業：一個隱藏層進行二維資料分類）

前言 **注意：coursera要求不要在網際網路公佈自己的作業。如果你在學習這個課程，建議你進入課程系統自行完成作業。使用邏輯迴歸作為一個最簡單的類似神經網路來進行影象判別。我覺得程式碼有參考和保留的意義。v 使用一個 2×4×1的網路來對資料進

反欺詐技術揭祕-裝置指紋VS關係網路模型此博文包含圖片 (2017-05-12 10:23:52)轉載▼ 標籤：裝置指紋關係網路反欺詐神經網路模型分類：風控文章來源：網路（經整合梳理

值得一提的是，雖然目前已經有第三方公司提供行業黑名單，但各平臺卻並不將其作為主要的防範手段，因為一般情況下，如果一個人的身份資訊能被黑名單查到，往往意味著行騙的過程已經結束了。對於平臺來說，最令他們感到頭疼的是，對於騙貸者的懲罰實在是太過輕微。騙貸者在網路借貸中發生的逾

Java8新特性——lambda表達式.（案例：完全數分類）

完全 boolean lte arraylist efi def oid 輸入 class 需求:輸入一個數,判斷其類型(完全數,過剩數,不足數) 完全數:自身之外所有因數和==自身過剩數:自身之外所有因數和>自身不足數:自身之外所有因數和<自身 1 p

機器學習：評價分類結果（實現混淆矩陣、精準率、召回率）

test set 目的 mod 二分參數 nbsp return try 一、實例　1）構造極度偏差的數據 import numpy as np from sklearn import datasets digits = datasets.load_digits

機器學習：貝葉斯分類器（二）——高斯樸素貝葉斯分類器代碼實現

mod ces 數據大於等於即使平均值方差很多 mode 一高斯樸素貝葉斯分類器代碼實現網上搜索不調用sklearn實現的樸素貝葉斯分類器基本很少，即使有也是結合文本分類的多項式或伯努利類型，因此自己寫了一遍能直接封裝的高斯類型NB分類器，當然與真正的源碼相

CS231n——機器學習演算法——線性分類（下：Softmax及其損失函式）

在前兩篇筆記中，基於線性分類上，線性分類中繼續記筆記。 1. Softmax分類器 SVM和Softmax分類器是最常用的兩個分類器，Softmax的損失函式與SVM的損失函式不同。對於學習過二元邏輯迴歸分類器的讀者來說，Softmax分類器就可以理解為邏輯迴歸分類器面對多個分類的一

CS231n——機器學習演算法——線性分類（中：SVM及其損失函式）

損失函式 Loss function 在線性分類（上）筆記中，定義了從影象畫素值到所屬類別的評分函式（score function），該函式的引數是權重矩陣W。在函式中，資料 (

生成對抗網路（GAN）應用於影象分類

　　近年來，深度學習技術被廣泛應用於各類資料處理任務中，比如影象、語音和文字。而生成對抗網路（GAN）和強化學習（RL）已經成為了深度學習框架中的兩顆“明珠”。強化學習主要用於決策問題，主要的應用就是遊戲，比如deepmind團隊的AlphaGo。因為我的研究方向是影象的有監督分類問題，

線性分類模型（二）：logistic迴歸模型分析

前言上一篇文章介紹了線性判別模型，本文介紹線性生成模型——logistic迴歸模型。本文介紹logstic迴歸模型相關的知識，為了更好理解模型的決策邊界函式，本文同時分析了多元變數的協方差對概率分佈的影響。目錄 1、logistic迴歸模型的含義 2、l

Keras搭建第一個分類（Classification）神經網路（mnist手寫體數字分類）

我們使用mnist資料集，這個資料集有手寫體數字0-9的圖片，一共10類，我們對這個資料集中的手寫體數字圖片進行分類。如果mnist資料集無法自動下載，可能是因為from keras.datasets import mnist自動下載資料集的網址被牆，請手動下載並按下面程式碼中註釋進行相應

計算機網路（2）-計算機網路概述：網路效能、OSI七層模型

文章目錄 1. 計算機網路效能 2. 計算機網路體系結構 1. OSI參考模型/七層模型 1. 物理層 2. 資料鏈路層 3. 網路層 4. 傳輸層 5.

計算機網路（1）-計算機網路概述：網路結構（網路邊緣、接入網路、網路核心）

文章目錄 1. 計算機網路基本概念 2. 計算機網路結構 3. 網路核心之資料交換 1. 電路交換 2. 多路複用技術 3. 報文交換 4. 分組交換（因特網）

LeeNet分類網路（ImageNet100：top1-73.44%，top5-91.40%，CPU_forward-30ms，model_size-2.7M）

相關推薦