CAFFE 테스트 순 내 그물 라운드의 손실이 훈련 일부 후 0과 1 사이의 값으로, 내가 레이블로 이미지를 사용하여 오전 CNN을 만들려고

Question

질문

레이블로 약 23 이제 결과를보고 싶습니다.() 나는 approximatly 5.92 및 result.min를 반환) (0과 1 그러나 현실 result.max에서을로 결과 값을 기대하고 이제 수익을

import caffe 
import numpy as np 
from PIL import Image 

net = caffe.Net('D:/caffe/net.prototxt', 
      'D:/caffe/net_iter_35000.caffemodel', 
      caffe.TEST) 

# load input and configure preprocessing 
transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape}) 

transformer.set_mean('data', np.load('train_mean.npy').mean(1).mean(1)) 
transformer.set_transpose('data', (2,0,1)) 
transformer.set_channel_swap('data', (2,1,0)) 
transformer.set_raw_scale('data', 255.0) 

#note we can change the batch size on-the-fly 
#since we classify only one image, we change batch size from 10 to 1 
net.blobs['data'].reshape(1,3,360,360) 

#load the image in the data layer 
im = caffe.io.load_image('train/img0.png') 
net.blobs['data'].data[...] = transformer.preprocess('data', im) 

#compute 
out = net.forward() 

result = out['conv7'][0][0] 

:이 목적을 위해 나는이 파이썬 스크립트를 사용하고 있습니다 -4315.5.

파이썬 스크립트에 실수가 있습니까? 아니면 23의 손실에 대해이 값이 정상입니까?

---

추가 정보를 정기적으로

내 train_test.prototxt :

layer { 
    name: "mynet" 
    type: "Data" 
    top: "data0" 
    top: "label0" 
    include { 
    phase: TRAIN 
    } 
    transform_param { 
    mean_file: "train_mean.binaryproto" 
    scale: 0.00390625 
    } 
    data_param { 
    source: "train_lmdb" 
    batch_size: 32 
    backend: LMDB 
    } 
} 

layer { 
    name: "mynetlabel" 
    type: "Data" 
    top: "data1" 
    top: "label1" 
    include { 
    phase: TRAIN 
    } 
    transform_param { 
    scale: 0.00390625 
    } 
    data_param { 
    source: "train_label_lmdb_2" 
    batch_size: 32 
    backend: LMDB 
    } 
} 

layer { 
    name: "mnist" 
    type: "Data" 
    top: "data0" 
    top: "label0" 
    include { 
    phase: TEST 
    } 
    transform_param { 
    mean_file: "train_mean.binaryproto" 
    scale: 0.00390625 
    } 
    data_param { 
    source: "val_lmdb" 
    batch_size: 16 
    backend: LMDB 
    } 
} 
layer { 
    name: "mnistlabel" 
    type: "Data" 
    top: "data1" 
    top: "label1" 
    include { 
    phase: TEST 
    } 
    transform_param { 
    scale: 0.00390625 
    } 
    data_param { 
    source: "val_label_lmdb_2" 
    batch_size: 16 
    backend: LMDB 
    } 
} 
. 
. 
. 
layer { 
    name: "conv7" 
    type: "Convolution" 
    bottom: "conv6" 
    top: "conv7" 
    param { 
    lr_mult: 5.0 
    decay_mult: 1.0 
    } 
    param { 
    lr_mult: 10.0 
    decay_mult: 0.0 
    } 
    convolution_param { 
    num_output: 1 
    pad: 0 
    kernel_size: 1 
    weight_filler { 
     type: "gaussian" 
     std: 0.00999999977648 
    } 
    bias_filler { 
     type: "constant" 
    } 
    } 
} 

layer { 
    name: "accuracy" 
    type: "Accuracy" 
    bottom: "conv7" 
    bottom: "data1" 
    top: "accuracy" 
    include { 
    phase: TEST 
    } 
} 

layer { 
    name: "loss" 
    type: "SigmoidCrossEntropyLoss" 
    bottom: "conv7" 
    bottom: "data1" 
    top: "loss" 
} 

내 net.prototxt :

layer { 
    name: "data" 
    type: "Input" 
    top: "data" 
    input_param { shape: { dim: 50 dim: 3 dim: 360 dim: 360 } } 
    transform_param { 
    scale: 0.00390625 
    } 
} 
. 
. 
. 
layer { 
    name: "conv7" 
    type: "Convolution" 
    bottom: "conv6" 
    top: "conv7" 
    param { 
    lr_mult: 5.0 
    decay_mult: 1.0 
    } 
    param { 
    lr_mult: 10.0 
    decay_mult: 0.0 
    } 
    convolution_param { 
    num_output: 1 
    pad: 0 
    kernel_size: 1 
    weight_filler { 
     type: "gaussian" 
     std: 0.00999999977648 
    } 
    bias_filler { 
     type: "constant" 
    } 
    } 
} 

Answer 1

귀하의 train_val.prototxt이 레이어의 이름으로, "SigmoidWithCrossEntropy"를 사용 제안, 그것 구성한다 (내부 lly) 및 크로스 엔트로피 손실을 포함한다. 따라서 네트워크를 배포 할 때이 레이어를 net.prototxt 파일의 "Sigmoid" 레이어로 대체해야합니다.
자세한 내용은 this answer을 참조하십시오. 하나의 바이너리 출력 "Accuracy" 레이어를 사용

PS,
는 CAFFE에서 지원되지 않습니다 : "Accuracy" 계층은 예측의 차원 클래스의 수 ("SoftmaxWithLoss"에 대한 좋은) 동일 가정합니다. 귀하의 경우에는 {0, 1}이라는 두 개의 레이블이 있지만 출력이 희박합니다. 자세한 내용은 this answer을 참조하십시오.