使用来自 C++ 的训练有素的咖啡网的错误结果

Question

我尝试将经过训练的 caffe net 与来自 C++ 的数据一起使用。我为部署实施了标准 caffe 示例 classification.cpp。在使用 python 脚本的 train/test 阶段，网络达到了 accuracy = 0.93，但现在当我去部署时，我得到了一些奇怪的结果。我有两个 classes:

环境
对象

并且我需要获取对象检测的概率。我相信如果网络在 FC 层有两个输出 (prob1 + prob2 == 1.0f)，结果将以 Softmax 输出 blob 中两个概率的形式呈现，但结果令人费解。在输出向量中，我为每个图像得到 两个相同的值。这是输入和输出层：

layer {
    name: "data"
    top:  "data"
    type: "Input"
    input_param { shape: { dim: 1 dim: 3 dim: 227 dim: 227 }}
}
layer {
    name: "fc6"
    top:  "fc6"
    type: "InnerProduct"
    bottom: "drop5"
    inner_product_param {
        num_output: 2
        weight_filler {
            type: "xavier"
            std: 0.1
        }
    }
}
layer {
    name: "prob"
    top:  "prob"
    type: "Softmax"
    bottom: "fc6"
}

我的常规 C++ 代码示例：

Blob<float>* input_layer = m_net->input_blobs()[0];
input_layer->Reshape(1, m_numChannels, m_inputGeometry.height, m_inputGeometry.width);
m_net->Reshape();
std::vector<cv::Mat> input_channels;
Blob<float>* input_layer = m_net->input_blobs()[0];
int width = input_layer->width();
int height = input_layer->height();
float* input_data = input_layer->mutable_cpu_data();

for(int i = 0; i < input_layer->channels(); ++i){
    cv::Mat channel(height, width, CV_32FC1, input_data);
    input_channels->push_back(channel);
    input_data += width * height;
}

cv::split(image_float, *input_channels);
m_net->Forward();
Blob<float>* output_layer = m_net->output_blobs()[0];
const float* begin = output_layer->cpu_data();
const float* end = begin + output_layer->channels();
QVector<float> output = QVector<float>(end - begin, *begin);

此外，结果类似于随机（并且每个重复class），最小概率值为magic 0.443142。该值通常出现在输出向量中。我做错了什么？

Answer 1

所以，这个问题超出了主题的范围。这是关于 STL 和 Qt 向量之间的区别。原码

std::vector<float> output(begin, end);

而不是

QVector<float> output(end - begin, *begin);

问题已解决。

使用来自 C++ 的训练有素的咖啡网的错误结果

Wrong results using trained caffe net from c++

c++

machine-learning

neural-network

deep-learning

caffe