Cascaded-fcn: मॉडल परीक्षण समस्या

क्या कोई तरकीब है जिसकी मैंने उपेक्षा की है?

परिणाम अजीब लग रहा है। संशोधन करने से पहले सुनिश्चित करें कि आप नोटबुक को यथावत चला सकते हैं और सही परिणाम प्राप्त कर सकते हैं।

कोड वही है जो आप नोटबुक में दिखाते हैं, इस प्रकार मुझे नहीं पता कि कोड कहां गलत है, क्या आप मुझे कुछ मार्गदर्शन दे सकते हैं? धन्यवाद

मैं आपके साथ एक ही समस्या से मिला, क्या आपको पता चला? अगर आप अपना रास्ता साझा कर सकते हैं तो मैं सराहना करता हूं। @manutdzou

मुझे लगता है कि जारी किया गया मॉडल गलत है, जब मैं अपने मॉडल को स्वयं प्रशिक्षित करता हूं और ऊपर दिए गए कोड का उपयोग करता हूं तो यह अच्छी तरह से काम करता है, और परिणाम अच्छा होता है

@RenieWell @mohamed-ezz

बहुत अच्छी खबर है @manutdzou । पुल अनुरोध लिखने और जनता के लिए अपने प्रशिक्षित मॉडल की पेशकश करने के लिए आपका स्वागत है। बस अपने मॉडल को एक सार्वजनिक फ़ाइलहोस्टर पर अपलोड करें और लिंक और अपने नाम के साथ रीडमी को संशोधित करें।

वाह मुझे आपके पहले परिणाम के समान ही अजीब परिणाम मिला है। तब मुझे यकीन है कि यह जारी किया गया मॉडल इतना अच्छा नहीं है। वैसे भी मैं TensorFlow पर यू-नेट का पुनर्निर्माण करता हूं, मेरी भविष्यवाणी का परिणाम इतना अच्छा नहीं है लेकिन अजीब नहीं है।

@manutdzou । हाय दोस्तों, क्या आप अपना कोड साझा कर सकते हैं?
आपका बहुत बहुत धन्यवाद।

ज़रा सुनिए सभी,
मैंने अभी रीडमी को अपडेट किया है और एक डॉकटर चित्र जोड़ा है, जो हमारे कोड को सुचारू रूप से चलाता है।
डॉकर छवि कैसे शुरू करें, इसके बारे में अधिक जानकारी के लिए कृपया रीडमी में एक नज़र डालें।
अपेक्षित परिणाम इस प्रिंट आउट की तरह दिखना चाहिए।
शुभकामनाएं,
पैट्रिक
cascaded_unet_inference.pdf.pdf

@PatrickChrist हाय पैट्रिक, महान काम के लिए धन्यवाद, लेकिन जब मैं पूर्व-प्रशिक्षित मॉडल का उपयोग करने का प्रयास करता हूं, तो मुझे लगता है कि nvidia-docker को स्थापित करना कठिन है और क्या आप कृपया nvidia-docker का उपयोग किए बिना एक सही pretrained मॉडल साझा कर सकते हैं।

@zakizhou मुझे लगता है क्योंकि यह एक प्रतिलिपि प्रस्तुत करने योग्य मुद्दा है, इसे हासिल करने के लिए डॉकर हमारी सबसे अच्छी शर्त है।

nvidia-docker की आवश्यकता केवल तभी है जब आप GPU पर फ़ाइलों को संसाधित करना चाहते हैं। हालाँकि, आप केवल docker का उपयोग कर सकते हैं यदि आप CPU पर चलने के साथ ठीक हैं।

यदि आप linux distro पर चल रहे हैं, तो nvidia-docker को स्थापित करने में आपको किन समस्याओं का सामना करना पड़ रहा है?

मॉडल https://github.com/IBBM/Cascaded-FCN/tree/master/models/cascadedfcn में भी साझा किए जाते हैं, आप उन्हें अपने होस्ट वातावरण (डॉकर के बिना) में उपयोग कर सकते हैं

@ मोहम्मद-एज़ आपके उत्तर के लिए धन्यवाद, मैं बिना gpus के ubuntu का उपयोग कर रहा हूँ, वास्तव में मैंने nvidia-docker के बजाय docker nvidia-docker कोशिश की है, लेकिन दुख की बात है कि जब मैंने pretrained caffe मॉडल, jupyter का मूल आयात करने का प्रयास किया नोटबुक डंप हो गई और मुझे समझ में नहीं आता क्यों। जैसा कि @manutdzou ने इस अंक में कहा है, यहां का पूर्व-प्रशिक्षित मॉडल https://github.com/IBBM/Cascaded-FCN/tree/master/models/cascadedfcn नमूना छवि पर खराब प्रदर्शन करता है। मैंने कोंडा के साथ कैफे स्थापित किया है, क्या आपको लगता है कि यह कैफ का गलत संस्करण है जो इस समस्या का कारण बनता है?

हाँ यह कैफ संस्करण की संभावना है। कृपया डॉकर छवि का उपयोग करें।

4 जुलाई 2017 को शाम 5:45 बजे, "जी झोउ" नोटिफिकेशन @github.com ने लिखा:

@ mohamed-ezz https://github.com/mohamed-ezz आपके उत्तर के लिए धन्यवाद, मैं हूं
बिना gpus के ubuntu का उपयोग करना, वास्तव में मैंने इसके बजाय docker की कोशिश की है
एनवीडिया-डॉकर लेकिन दुख की बात है कि जब मैंने पहले से प्रशिक्षित कैफ मॉडल को आयात करने की कोशिश की,
jupyter नोटबुक का मूल डंप हो गया और मुझे समझ में नहीं आता क्यों। कैसा
@manutdzou https://github.com/manutdzou ने इस अंक में कहा,
यहां पूर्व प्रशिक्षित मॉडल https://github.com/IBBM/Cascaded-FCN/tree/master/
model/cascadedfcn नमूना छवि पर खराब प्रदर्शन करता है। मैंने कैफ़े स्थापित किया
कोंडा के साथ, क्या आपको लगता है कि यह कैफ का गलत संस्करण है जिसके कारण यह हुआ?
संकट?

-
आप इसे प्राप्त कर रहे हैं क्योंकि आपका उल्लेख किया गया था।
इस ईमेल का सीधे उत्तर दें, इसे GitHub पर देखें
https://github.com/IBBM/Cascaded-FCN/issues/13#issuecomment-312908109 ,
या थ्रेड को म्यूट करें
https://github.com/notifications/unsubscribe-auth/ADqENQMhAJvhyvV1SZ5ApQelMqNhBlTMks5sKl39gaJpZM4M4ckQ
.

@ मोहम्मद-एज़ ठीक है, मैं जीपीयू के साथ सर्वर पर मॉडल का प्रयास करता हूं, धन्यवाद!

GPU की कोई आवश्यकता नहीं है, बस README.md में छवि के साथ docker का उपयोग करें, इसके बजाय
एनवीडिया-डॉकर की।

4 जुलाई, 2017 को शाम 6:59 बजे, "जी झोउ" नोटिफिकेशन @github.com ने लिखा:

@ mohamed-ezz https://github.com/mohamed-ezz ठीक है, मैं एक पर मॉडल की कोशिश करूँगा
GPU के साथ सर्वर, फिर से धन्यवाद!

-
आप इसे प्राप्त कर रहे हैं क्योंकि आपका उल्लेख किया गया था।
इस ईमेल का सीधे उत्तर दें, इसे GitHub पर देखें
https://github.com/IBBM/Cascaded-FCN/issues/13#issuecomment-312919887 ,
या थ्रेड को म्यूट करें
https://github.com/notifications/unsubscribe-auth/ADqENQh6pIiGyQYTbKSOx_2reMDlja3Cks5sKm-GgaJpZM4M4ckQ
.

मैंने बायडू में राइट लीवर और लेसियन मॉडल का एक संस्करण जारी किया है, इस मॉडल का उपयोग इस तरह कर सकते हैं

`आयात प्रणाली, ओएस
sys.path.insert(0, '/home/zhou/zou/caffe_ws/python')
sys.path.insert(0,'/home/zhou/zou/Cascaded-FCN/lib')
np . के रूप में numpy आयात करें
matplotlib से plt . के रूप में pyplot आयात करें
कैफे आयात करें

result_path = "/ होम/झोउ/ज़ू/कैस्केड-एफसीएन/कोड/परिणाम/"
यदि नहीं os.path.exists(result_path):
os.makedirs(result_path)

im_list = open('test_lesion_list.txt', 'r').read().splitlines()

caffe.set_mode_gpu ()
caffe.set_device(0)
net_liver = caffe.Net('deploy.prototxt', 'liver.caffemodel', caffe.TEST)
net_lesion = caffe.Net('deploy.prototxt', 'lesion.caffemodel', caffe.TEST)

जिगर = 1
घाव = 2
मेरे लिए रेंज में (0, लेन (im_list)):
im = np.load(im_list[i].split(' ')[0])
मुखौटा = एनपी.लोड (im_list [i]। विभाजन (' ') [1])
in_ = np.array(im, dtype=np.float32)
in_expand = in_ [np.newaxis, ...]
बूँद = in_expand [np.newaxis, :, :, :]

net_liver.blobs['data'].reshape(*blob.shape)
net_liver.blobs['data'].data[...] = blob
net_liver.forward()
output_liver = net_liver.blobs['prob'].data[0].argmax(axis=0)

net_lesion.blobs['data'].reshape(*blob.shape)
net_lesion.blobs['data'].data[...] = blob
net_lesion.forward()
output_lesion = net_lesion.blobs['prob'].data[0].argmax(axis=0)

output = output_liver
ind_1 = np.where(output_liver ==0)
output_lesion[ind_1] = 255
ind_2 = np.where(output_lesion ==0)
output[ind_2] = 2

plt.figure(figsize=(3*5,10))
plt.subplot(1, 3, 1)
plt.title('CT')
plt.imshow(im[92:-92,92:-92], 'gray')
plt.subplot(1, 3, 2)
plt.title('GT')
plt.imshow(mask, 'gray')
plt.subplot(1, 3, 3)
plt.title('pred')
plt.imshow(output, 'gray')
path = result_path + im_list[i].split(' ')[0].split('/')[-1][0:-3] +'jpg'
plt.savefig(path)
plt.close()

`
कुछ परिणाम दिखाया गया है

@ मोहम्मद-एज़ @RenieWell @mjiansun @PatrickChrist @PiaoLiangHXD

परत {
नाम: "डेटा"
टाइप करें: "इनपुट"
शीर्ष: "डेटा"
input_param {आकार: {मंद: 1 मंद: 1 मंद: 572 मंद: 572}}
}

परत {
नाम: "conv_d0a-b"
टाइप करें: "कनवल्शन"
नीचे: "डेटा"
शीर्ष: "डी0बी"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 64
पैड: 0
कर्नेल_साइज़: 3
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}

परत {
नाम: "relu_d0b"
टाइप करें: "ReLU"
नीचे: "डी0बी"
शीर्ष: "डी0बी"
}
परत {
नाम: "conv_d0b-c"
टाइप करें: "कनवल्शन"
नीचे: "डी0बी"
शीर्ष: "डी0सी"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 64
पैड: 0
कर्नेल_साइज़: 3
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}

परत {
नाम: "relu_d0c"
टाइप करें: "ReLU"
नीचे: "डी0सी"
शीर्ष: "डी0सी"
}
परत {
नाम: "pool_d0c-1a"
टाइप करें: "पूलिंग"
नीचे: "डी0सी"
शीर्ष: "डी1ए"
पूलिंग_परम {
पूल: MAX
कर्नेल_साइज़: 2
कदम: 2
}
}
परत {
नाम: "conv_d1a-b"
टाइप करें: "कनवल्शन"
नीचे: "डी1ए"
शीर्ष: "डी1बी"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 128
पैड: 0
कर्नेल_साइज़: 3
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}

परत {
नाम: "relu_d1b"
टाइप करें: "ReLU"
नीचे: "डी1बी"
शीर्ष: "डी1बी"
}
परत {
नाम: "conv_d1b-c"
टाइप करें: "कनवल्शन"
नीचे: "डी1बी"
शीर्ष: "d1c"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 128
पैड: 0
कर्नेल_साइज़: 3
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}

परत {
नाम: "relu_d1c"
टाइप करें: "ReLU"
नीचे: "d1c"
शीर्ष: "d1c"
}
परत {
नाम: "pool_d1c-2a"
टाइप करें: "पूलिंग"
नीचे: "d1c"
शीर्ष: "डी 2 ए"
पूलिंग_परम {
पूल: MAX
कर्नेल_साइज़: 2
कदम: 2
}
}
परत {
नाम: "conv_d2a-b"
टाइप करें: "कनवल्शन"
नीचे: "d2a"
शीर्ष: "डी 2 बी"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 256
पैड: 0
कर्नेल_साइज़: 3
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}

परत {
नाम: "relu_d2b"
टाइप करें: "ReLU"
नीचे: "डी2बी"
शीर्ष: "डी 2 बी"
}
परत {
नाम: "conv_d2b-c"
टाइप करें: "कनवल्शन"
नीचे: "डी2बी"
शीर्ष: "डी2सी"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 256
पैड: 0
कर्नेल_साइज़: 3
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}

परत {
नाम: "relu_d2c"
टाइप करें: "ReLU"
नीचे: "डी2सी"
शीर्ष: "डी2सी"
}
परत {
नाम: "pool_d2c-3a"
टाइप करें: "पूलिंग"
नीचे: "डी2सी"
शीर्ष: "डी3ए"
पूलिंग_परम {
पूल: MAX
कर्नेल_साइज़: 2
कदम: 2
}
}
परत {
नाम: "conv_d3a-b"
टाइप करें: "कनवल्शन"
नीचे: "डी3ए"
शीर्ष: "डी3बी"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 512
पैड: 0
कर्नेल_साइज़: 3
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}

परत {
नाम: "relu_d3b"
टाइप करें: "ReLU"
नीचे: "डी3बी"
शीर्ष: "डी3बी"
}
परत {
नाम: "conv_d3b-c"
टाइप करें: "कनवल्शन"
नीचे: "डी3बी"
शीर्ष: "डी3सी"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 512
पैड: 0
कर्नेल_साइज़: 3
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}

परत {
नाम: "relu_d3c"
टाइप करें: "ReLU"
नीचे: "डी3सी"
शीर्ष: "डी3सी"
}

परत {
नाम: "pool_d3c-4a"
टाइप करें: "पूलिंग"
नीचे: "डी3सी"
शीर्ष: "डी 4 ए"
पूलिंग_परम {
पूल: MAX
कर्नेल_साइज़: 2
कदम: 2
}
}
परत {
नाम: "conv_d4a-b"
टाइप करें: "कनवल्शन"
नीचे: "डी4ए"
शीर्ष: "डी 4 बी"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 1024
पैड: 0
कर्नेल_साइज़: 3
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}

परत {
नाम: "relu_d4b"
टाइप करें: "ReLU"
नीचे: "डी 4 बी"
शीर्ष: "डी 4 बी"
}
परत {
नाम: "conv_d4b-c"
टाइप करें: "कनवल्शन"
नीचे: "डी 4 बी"
शीर्ष: "डी4सी"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 1024
पैड: 0
कर्नेल_साइज़: 3
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}

परत {
नाम: "relu_d4c"
टाइप करें: "ReLU"
नीचे: "डी4सी"
शीर्ष: "डी4सी"
}

परत {
नाम: "upconv_d4c_u3a"
टाइप करें: "डीकोनवोल्यूशन"
नीचे: "डी4सी"
शीर्ष: "u3a"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 512
पैड: 0
कर्नेल_साइज़: 2
कदम: 2
वेट_फिलर {
टाइप करें: "जेवियर"
}
}
}

परत {
नाम: "relu_u3a"
टाइप करें: "ReLU"
नीचे: "u3a"
शीर्ष: "u3a"
}
परत {
नाम: "crop_d3c-d3cc"
प्रकार: "फसल"
नीचे: "डी3सी"
नीचे: "u3a"
शीर्ष: "डी3सीसी"

}
परत {
नाम: "concat_d3cc_u3a-b"
टाइप करें: "कॉनकैट"
नीचे: "u3a"
नीचे: "डी3सीसी"
शीर्ष: "u3b"
}
परत {
नाम: "conv_u3b-c"
टाइप करें: "कनवल्शन"
नीचे: "u3b"
शीर्ष: "u3c"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 512
पैड: 0
कर्नेल_साइज़: 3
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}
परत {
नाम: "relu_u3c"
टाइप करें: "ReLU"
नीचे: "u3c"
शीर्ष: "u3c"
}
परत {
नाम: "conv_u3c-d"
टाइप करें: "कनवल्शन"
नीचे: "u3c"
शीर्ष: "u3d"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 512
पैड: 0
कर्नेल_साइज़: 3
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}
परत {
नाम: "relu_u3d"
टाइप करें: "ReLU"
नीचे: "u3d"
शीर्ष: "u3d"
}
परत {
नाम: "upconv_u3d_u2a"
टाइप करें: "डीकोनवोल्यूशन"
नीचे: "u3d"
शीर्ष: "u2a"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 256
पैड: 0
कर्नेल_साइज़: 2
कदम: 2
वेट_फिलर {
टाइप करें: "जेवियर"
}
}
}
परत {
नाम: "relu_u2a"
टाइप करें: "ReLU"
नीचे: "u2a"
शीर्ष: "u2a"
}
परत {
नाम: "crop_d2c-d2cc"
प्रकार: "फसल"
नीचे: "डी2सी"
नीचे: "u2a"
शीर्ष: "डी2सीसी"

}
परत {
नाम: "concat_d2cc_u2a-b"
टाइप करें: "कॉनकैट"
नीचे: "u2a"
नीचे: "d2cc"
शीर्ष: "u2b"
}
परत {
नाम: "conv_u2b-c"
टाइप करें: "कनवल्शन"
नीचे: "u2b"
शीर्ष: "u2c"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 256
पैड: 0
कर्नेल_साइज़: 3
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}
परत {
नाम: "relu_u2c"
टाइप करें: "ReLU"
नीचे: "u2c"
शीर्ष: "u2c"
}
परत {
नाम: "conv_u2c-d"
टाइप करें: "कनवल्शन"
नीचे: "u2c"
शीर्ष: "u2d"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 256
पैड: 0
कर्नेल_साइज़: 3
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}
परत {
नाम: "relu_u2d"
टाइप करें: "ReLU"
नीचे: "u2d"
शीर्ष: "u2d"
}
परत {
नाम: "upconv_u2d_u1a"
टाइप करें: "डीकोनवोल्यूशन"
नीचे: "u2d"
शीर्ष: "यू 1 ए"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 128
पैड: 0
कर्नेल_साइज़: 2
कदम: 2
वेट_फिलर {
टाइप करें: "जेवियर"
}
}
}
परत {
नाम: "relu_u1a"
टाइप करें: "ReLU"
नीचे: "यू1ए"
शीर्ष: "यू 1 ए"
}
परत {
नाम: "crop_d1c-d1cc"
प्रकार: "फसल"
नीचे: "d1c"
नीचे: "यू1ए"
शीर्ष: "d1cc"

}
परत {
नाम: "concat_d1cc_u1a-b"
टाइप करें: "कॉनकैट"
नीचे: "यू1ए"
नीचे: "d1cc"
शीर्ष: "यू 1 बी"
}
परत {
नाम: "conv_u1b-c"
टाइप करें: "कनवल्शन"
नीचे: "यू1बी"
शीर्ष: "यू1सी"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 128
पैड: 0
कर्नेल_साइज़: 3
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}
परत {
नाम: "relu_u1c"
टाइप करें: "ReLU"
नीचे: "यू1सी"
शीर्ष: "यू1सी"
}
परत {
नाम: "conv_u1c-d"
टाइप करें: "कनवल्शन"
नीचे: "यू1सी"
शीर्ष: "u1d"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 128
पैड: 0
कर्नेल_साइज़: 3
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}
परत {
नाम: "relu_u1d"
टाइप करें: "ReLU"
नीचे: "u1d"
शीर्ष: "u1d"
}
परत {
नाम: "upconv_u1d_u0a_NEW"
टाइप करें: "डीकोनवोल्यूशन"
नीचे: "u1d"
शीर्ष: "u0a"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 64
पैड: 0
कर्नेल_साइज़: 2
कदम: 2
वेट_फिलर {
टाइप करें: "जेवियर"
}
}
}
परत {
नाम: "relu_u0a"
टाइप करें: "ReLU"
नीचे: "u0a"
शीर्ष: "u0a"
}
परत {
नाम: "crop_d0c-d0cc"
प्रकार: "फसल"
नीचे: "डी0सी"
नीचे: "u0a"
शीर्ष: "d0cc"

}
परत {
नाम: "concat_d0cc_u0a-b"
टाइप करें: "कॉनकैट"
नीचे: "u0a"
नीचे: "d0cc"
शीर्ष: "यू0बी"
}
परत {
नाम: "conv_u0b-c_New"
टाइप करें: "कनवल्शन"
नीचे: "यू0बी"
शीर्ष: "यू0सी"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 64
पैड: 0
कर्नेल_साइज़: 3
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}
परत {
नाम: "relu_u0c"
टाइप करें: "ReLU"
नीचे: "u0c"
शीर्ष: "यू0सी"
}
परत {
नाम: "conv_u0c-d_New"
टाइप करें: "कनवल्शन"
नीचे: "u0c"
शीर्ष: "यू0डी"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 64
पैड: 0
कर्नेल_साइज़: 3
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}
परत {
नाम: "relu_u0d"
टाइप करें: "ReLU"
नीचे: "u0d"
शीर्ष: "यू0डी"
}
परत {
नाम: "conv_u0d-score_New"
टाइप करें: "कनवल्शन"
नीचे: "u0d"
टॉप स्कोर"
परम {
lr_multi: 1
क्षय_मल्टी: 1
}
परम {
lr_multi: 2
क्षय_मल्टी: 0
}
कनवल्शन_परम {
num_output: 2
पैड: 0
कर्नेल_साइज़: 1
वेट_फिलर {
टाइप करें: "जेवियर"
}
इंजन: CAFFE
}
}

परत {
नाम: "जांच"
टाइप करें: "सॉफ्टमैक्स"
नीचे: "स्कोर"
शीर्ष: "जांच"
}

बढ़िया काम @manutdzou
आपके समर्थन के लिए धन्यवाद। क्या आप इस रेपो में अपना काम करने का मन करेंगे?
हमारे पास एक फ़ोल्डर मॉडल-चिड़ियाघर/manutdzou हो सकता है जिसमें आप अपना कोड नोटबुक और अपने प्रोटोटेक्स के रूप में पोस्ट करते हैं और टेक्स्ट फ़ाइल के रूप में Baidu के लिंक पोस्ट करते हैं? अन्य उपयोगकर्ता निश्चित रूप से सराहना करेंगे। अगर आपके पास अपने काम के बारे में एक पेपर है तो हम इसे भी जोड़ सकते हैं।

ठीक है, अगर मेरा कोड और मॉडल अच्छी तरह से काम करता है, तो मुझे इस रेपो में प्रतिबद्ध होने में खुशी होगी!

मैं
07/07/2017 17:33 को पैट्रिक क्राइस्ट ने लिखा:

बढ़िया काम @manutdzou
आपके समर्थन के लिए धन्यवाद। क्या आप इस रेपो में अपना काम करने का मन करेंगे?
हमारे पास एक फ़ोल्डर मॉडल-चिड़ियाघर/manutdzou हो सकता है जिसमें आप अपना कोड नोटबुक और अपने प्रोटोटेक्स के रूप में पोस्ट करते हैं और टेक्स्ट फ़ाइल के रूप में Baidu के लिंक पोस्ट करते हैं? अन्य उपयोगकर्ता निश्चित रूप से सराहना करेंगे। अगर आपके पास अपने काम के बारे में एक पेपर है तो हम इसे भी जोड़ सकते हैं।

-
आप इसे प्राप्त कर रहे हैं क्योंकि आपका उल्लेख किया गया था।
इस ईमेल का सीधे उत्तर दें, इसे GitHub पर देखें, या थ्रेड को म्यूट करें।