Caffe 是否需要对数据进行混洗？
Does Caffe need data to be shuffled?
我使用 C++ 将我的图像数据转换为 caffe db 格式（leveldb、lmdb）我将此代码用于 imagenet。
是否需要打乱数据，我可以将我所有的正数写入 db，然后写入所有的负数，例如 00000000111111111，或者数据需要打乱并且标签应该看起来像 010101010110101011010？
caffe 如何从 DB 中采样数据，它使用大小为 batch_size 的所有数据的随机子集是真的吗？
你应该洗牌吗？如果你不洗牌，想想学习过程； caffe 只看到 0 个样本 - 您希望算法推断出什么？一直简单地预测 0，一切都很酷。如果你在第一个 1 之前有足够的 0，caffe 将非常有信心总是预测 0。从这点开始移动模型会非常困难。
另一方面，如果它经常看到 0 和 1 的混合，它会从一开始就学习 用于分离示例的有意义的特征。
底线：打乱训练样本非常有利，尤其是在使用基于 SGD 的方法时。
AFAIK，caffe 不会随机抽取 batch_size 个样本，而是在 batch_size 个样本之后按顺序遍历输入数据库 batch_size。
TL;DR
随机播放。
我使用 C++ 将我的图像数据转换为 caffe db 格式（leveldb、lmdb）我将此代码用于 imagenet。
是否需要打乱数据，我可以将我所有的正数写入 db，然后写入所有的负数，例如 00000000111111111，或者数据需要打乱并且标签应该看起来像 010101010110101011010？
caffe 如何从 DB 中采样数据，它使用大小为 batch_size 的所有数据的随机子集是真的吗？
你应该洗牌吗？如果你不洗牌，想想学习过程； caffe 只看到 0 个样本 - 您希望算法推断出什么？一直简单地预测 0，一切都很酷。如果你在第一个 1 之前有足够的 0，caffe 将非常有信心总是预测 0。从这点开始移动模型会非常困难。
另一方面，如果它经常看到 0 和 1 的混合，它会从一开始就学习 用于分离示例的有意义的特征。
底线：打乱训练样本非常有利，尤其是在使用基于 SGD 的方法时。
AFAIK，caffe 不会随机抽取 batch_size 个样本，而是在 batch_size 个样本之后按顺序遍历输入数据库 batch_size。
TL;DR
随机播放。