如何使用 caffe 解決回歸問題

為了解決基於caffe的物體檢測問題，需要使用caffe來訓練回歸網路，以使用物體在影象中的位置（x1，y1，寬度，高度）。 但是，現有的 Caffe 版本（HappyNear 版本僅適用於二元分類問題的資料集轉換，因此需要修改 Caffe 原始碼的姿勢程式碼，使其也轉換資料集的回歸問題。

基於基於caffe的目標檢測問題，需要使用caffe來訓練雀回歸網路，用於搜尋影象中的物件（x1，y1，width，height）。 但是，現有的 Caffe 版本（HappyNear 版本）只適用於二元分類問題的資料集轉換，因此需要修改 Caffe 原始碼，以便它也可以轉換回歸問題的遺漏巨集。

通過引用進行修改。

以下是更改的內容。

1.在 src caffe proto36 修改為重複浮標 = 5; 並執行 extract

2.修改資料

為了比caffe更早地挖掘出物件檢測的問題，需要使用caffe來訓練乙個回歸網路，以使用物件在影象中的位置（x1，y1，寬度，高度）。 但是，現有的 Caffe 版本（HappyNear 版本）僅適用於二元分類問題的資料集轉換，因此有必要修改 Caffe 原始碼以轉換回歸問題的資料集。 主要是參考資料。

進行修改。 但是，這個部落格沒有使用HappyNear的caffe版本，所以原始碼的變化是完全不同的。 我將在下面記下我所做的更改。

年齡雀之一。 原始碼修改 1在 src caffe proto36 修改為重複浮標 = 5; ，然後執行 extract 來修改資料

人臉識別是一種生物識別技術，可以根據人的面部特徵來識別人。 一系列相關技術，利用攝像頭或攝像頭採集包含人臉的影象或流，並自動檢測和跟蹤影象中的人臉，然後對檢測到的人臉進行人臉表演，俗稱人像識別和人臉識別。

可以肯定的是，咖啡可以做回歸。 因為神經網路本質上是乙個非常複雜的非線性函式，如果合理地設計它的網路結構，它的輸出值範圍可以覆蓋你的回歸目標的範圍。 具體舉個例子，可以參考唐曉鷗團隊用卷積神經網路製作的人臉關鍵點，就是用神經網路做回歸的典型例子。

用 euclideanlosslayer 和 hdfdatalayer 編寫了乙個完整的示例以供參考：

Caffe 和卷積神經網路用於回歸

簡化版的完整**在這裡：

dlcv_for_beginners/chap9 at master · frombeijingwithlove/dlcv_for_beginners · github