ncnncmake編譯

㈠ 數學排列組合中 那個Cnn Pnn 還有Ann 是什麼意思

P和A是一樣的，都是排列，P是舊用法，現在教材上多用A，從M個元素取N個進行排列，就是說取出來N個之後，這N個還要排序，求得是排序的種數。
C是組合，就是只從M個里頭取N個，不排序，求得是取的種數。

A和C的關系就是Amn=Cmn×n！，其中的n！也就是N個數排列的種數，也就是他倆的區別。

Cnn=1 n個里選n個的組合只有一種。
Pnn=Ann=n!

㈡ C0n+C1n+C2n+……+Cnn=2^n 是什麼公式，請用具體數字舉個栗子，謝謝

這個是二項式定理來的。二項式定理高中書里有的，如下：

望採納，謝謝

㈢ 如何將cnn模型放到伺服器上運行

一、模型載入

用已經訓練好的模型來檢測，rcnn_model_file指模型路徑。

二、候選區域提取（Region proposals）

本論文採用selective search[3]方法生成候選區域，代碼作者以給出，rcnn代碼中的selective_search_boxes.m是根據selective search源代碼中的demo.m修改的，參數im是矩陣圖，不是圖片路徑，最後輸出格式為N * 4的矩陣，N表示region proposals 的個數，每行表示一個region proposal對角線坐標。

三、特徵提取（Feature extraction）

使用rcnn_features為每一個region proposals提取cnn特徵，輸出結果為N * 4096，每行表示一個region proposal的特徵。

四、分類（classification）

調用下面函數為每一個region proposal計算各類的score，結果為N * C 矩陣，C表示物體類別個數，每行表示一個region proposal對應各個類別的score。

㈣ 高中數學排列C0n(上0下n)一直加到Cnn，為什麼等於2∧n

組合的方法證明：

設有n個小球放到兩個不同的盒子中，盒子可以為空。

若對小球進行討論，每個小球有兩個選擇，共有2^n種放法。

若用分類原理，一號盒子中沒有小球的放法有cn0種，有一個小球的放法有cn1種，有兩個小球的放法有cn2種，有n個小球的放法有cnn種，共有放法cn0+cn1+cn2+…+cnn種顯然，兩種方法得到的結果相同，所以有cn0+cn1+cn2+…+cnn＝2^n。

排列的定義：

從n個不同元素中，任取m(m≤n,m與n均為自然數,下同）個元素按照一定的順序排成一列，叫做從n個不同元素中取出m個元素的一個排列；從n個不同元素中取出m(m≤n）個元素的所有排列的個數，叫做從n個不同元素中取出m個元素的排列數，用符號 A(n,m）表示。

計算公式：

此外規定0!=1(n!表示n(n-1)(n-2)...1,也就是6！=6x5x4x3x2x1。

組合的定義：從n個不同元素中，任取m(m≤n）個元素並成一組，叫做從n個不同元素中取出m個元素的一個組合；從n個不同元素中取出m(m≤n）個元素的所有組合的個數，叫做從n個不同元素中取出m個元素的組合數。用符號 C(n,m) 表示。

㈤ linux 如何運行benchmark循環跑

Linux 如何運行benchmark循環跑如下
benchmark中包含了跑benchmark的源碼benchncnn.cpp，感興趣的可以先看一下裡面的內容。在Linux的文件根目錄下，新建一個build文件夾並進入，當然也可以不叫build，隨便你自己起。mkdir build && cd build進入之後就可以進行編譯了，編譯之後在build文件夾下會生成一個叫benchmark的文件夾，之後的工作會在這里進行。編譯用的是cmake，這里如果有問題的話可以注意一下cmake的版本，我用的版本是3.12.3。具體命令如下:cmake .
make -j8這里cmake編譯實際上是要根據上一層文件夾的CMakeLists.txt的文本來的，這里的..其實就是表示的上一層文件夾。 Make -j後面的數字是開幾個核，根據自己電腦的實際情況來。執行完成之後就可以看到build里有了benchmark的文件夾。
入這個文件夾，可以看到一個benchncnn的可執行文件已經編譯好了，運行這個可執行文件就可以測試模型的速度。但是這個可執行文件默認的是找到當前文件夾下的param格式的文件。
所有自帶的模型文件都在ncnn根目錄下的benchmark的文件夾中，把裡面所有的param文件都拷貝到現在的benchmark文件夾，然後執行如下命令./benchncnn 4 2 0 -1
第一個數字表示測試次數，第二個表示開的線程數（這一點ncnn做的不錯），最後一個數字-1表示只測cpu。NCNN交叉編譯到rk3288(armv7架構)和rk3399(armv8架構）的方法。

㈥ 怎麼在windows下編譯fast rcnn需要的python版本的caffe介面

一、前期環境以及准備
1、安裝python
在caffe中，python2和python3的介面都有。但frcnn中只能支持python2.7，所以千萬不要裝成python3。為了方便，不用自己去pip一大堆庫，我建議安裝anaconda2，裡面已經安裝了很多第三方的庫。
另附python，Windows的第三方庫 ，裡面很全。或許有一些庫你要去官網上下載。
2、安裝（更新）顯卡驅動和cuda
NVIDIA的顯卡驅動安裝應該不用我說了吧，到官網上下載吧。我要說明一點的是，我的1080ti在安裝顯卡驅動時，說和Windows不匹配。怎麼解決呢？更新Windows，到官網上下驅動，再安裝。成功！還有就是記得更新你的顯卡驅動，以防老的驅動不支持cuda。
CUDA安裝的話，也是傻瓜試的安裝。提醒一點的是，不要改變他的安裝路徑，默認路徑。然後去NVIDIA的官網上下載cudnn庫，這個庫的話需要去NVIDIA注冊一個賬號，然後問你用這個來完成什麼工作之類的巴拉巴拉。這個庫長什麼樣呢？下載完解壓縮，得到一個cuda的文件夾，裡面有3個文件夾

然後打開你的CUDA文件夾，默認路徑是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0

把cudnn庫裡面的3個文件夾裡面的文件，分別加到cuda裡面對應的文件夾。
然後打開cuda需要編譯的部分，默認路徑是C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0

因為我用的VS2015，那麼我就用打開2015的那個，然後改成release運行。
至此，顯卡計算的環境就搭建完成了。
3、cmake和git
cmake的話，我建議直接下載編譯好的能運行的文件（到官網上下載），然後解壓文件，把bin的路徑添加到Path中。
git：因為frcnn裡面有很多linux的腳本，你可以不用，但用的話會很方便的。所以我建議安裝git。同樣，傻瓜式的安裝，直接到官網上下載。
二、py-faster-rcnn
1、編譯caffe的python介面GPU版本（如果你編譯過了就不用了）
因為frcnn的編譯過程用需要用到python的caffe包，所以必須要先編譯一次caffe。如果你已經編譯過caffe的py介面就不用了。
下載微軟的Caffe，git的地址

你可以用git直接下載，或者在git的地址里下載，隨便你。

[plain] view plain
git clone
cd caffe
git checkout windows

打開caffe\scripts，然後編輯build_win.cmd文件

第7行的VERSION是你VS的版本，VS2015對應的是14，VS2013對應的應該是12；第8行改為0；第9行改為0（如果你不用GPU，那就還是1）；13行的python_version是你的python版本，2.x就是2，3.x就是3；24,28行是你的python的安裝目錄，如果你是anaconda就改你的anaconda的目錄，否則就不改。

同樣69-95行同樣修改。以上2張圖是我的cmake文件配置。
進入caffe\scripts，打開cmd，直接執行build_win.cmd。注意他會自動下載需要的庫，因為伺服器呢都不在國內，所以我建議掛個VPN，不然你且等呢吧。
這樣cmake後呢，python的介面就已經編譯好了，不用再編譯一遍了。把caffe\python下的caffe的文件夾到python的第三方包的文件夾就ok。

這樣caffe的python介面就好了，你可以進cmd的python試一下import caffe。如果說，他提示少了什麼包，你直接pip這個包就好了，找不到的話，網路一下就有。但只要你跟著上面我的方法做應該不會出現什麼問題。

2、編譯py-faster-rcnn依賴庫

首先呢，我們先去編譯一下frcnn的依賴庫。Windows下，不能使用自帶的lib，把自帶的lib刪了，重新下載，這里給出git的地址。

好了，現在你的庫應該長成這樣，有setup.py和setup_cuda.py。進cmd，install這2個文件。
現在你肯定會遇到問題，提示你VC版本不對

怎麼辦呢，先set一下：輸入SET VS90COMNTOOLS=%VS140COMNTOOLS%，VS後面的數字就是你的版本。還有不要忘了把你VS的c1.exe加到path下。

編譯好frcnn的依賴庫後，應該是這個樣子的。
3、給caffe加frcnn的層
現在，我們再下載一個caffe，跟前面一樣，把build_win.cmd進行修改。然後我們就可以把frcnn的一些特有的層加到caffe里編譯了。
1）添加層和文件

打開py-faster-rcnn\caffe-fast-rcnn\src\caffe\layers文件夾，找到4個文件分別為

然後到你新的caffe的對應文件夾caffe\src\caffe\layers里。
接著我們添加頭文件，打開py-faster-rcnn\caffe-fast-rcnn\include\caffe，把fast_rcnn_layers.hpp這文件到caffe的對應文件夾下caffe\include\caffe。
2）配置2個新層
打開你的caffe\src\caffe\proto下的caffe.proto，進行編輯。
在407行左右

往原來的文件里添加新的層的配置信息

[plain] view plain
optional ROIPoolingParameter roi_pooling_param = 8266711;
optional SmoothL1LossParameter smooth_l1_loss_param = 8266712;
message ROIPoolingParameter {
// Pad, kernel size, and stride are all given as a single value for equal
// dimensions in height and width or as Y, X pairs.
optional uint32 pooled_h = 1 [default = 0]; // The pooled output height
optional uint32 pooled_w = 2 [default = 0]; // The pooled output width
// Multiplicative spatial scale factor to translate ROI coords from their
// input scale to the scale used when pooling
optional float spatial_scale = 3 [default = 1];
}
message SmoothL1LossParameter {
// SmoothL1Loss(x) =
// 0.5 * (sigma * x) ** 2 -- if x < 1.0 / sigma / sigma
// |x| - 0.5 / sigma / sigma -- otherwise
optional float sigma = 1 [default = 1];
}
3）cmake新的caffe的python介面

就是再執行一遍build_win.cmd就行。編譯好之後，把caffe根目錄下的python文件夾替換py-faster-rcnn\caffe-fast-rcnn的python文件夾。
三、demo

完成以上步驟你的py-faster-rcnn就已經編譯成功了。如果你想用demo測試一下的話可以用.\data\scripts里的腳本去下載已經訓練好的model，文件挺大的、速度挺慢的。所以給大家提供一個網路5，把caffemodel文件放在data\faster_rcnn_models，然後執行tools\demo.py就能看到結果了

㈦ texcnn著作

《深入TextCNN》系列文章是結合PyTorch對TextCNN從理論到實戰的詳細教程。
對於文本分類問題，常見的方法無非就是抽取文本的特徵，比如使用doc2evc或者LDA模型將文本轉換成一個固定維度的特徵向量，然後在基於抽取的特徵訓練一個分類器。 然而研究證明，TextCnn在文本分類問題上有著更加卓越的表現。從直觀上理解，TextCNN通過一維卷積來獲取句子中n-gram的特徵表示。TextCNN對文本淺層特徵的抽取能力很強，在短文本領域如搜索、對話領域專注於意圖分類時效果很好，應用廣泛，且速度快，一般是首選；對長文本領域，TextCNN主要靠filter窗口抽取特徵，在長距離建模方面能力受限，且對語序不敏感。

㈧ 如何把cnn分類程序變為回歸程序

你要看你的圖像是什麼。如果是彩色數字，先轉成灰度。用MNIST訓練網路。如果是各種主題，用彩色的imageNET訓練。如果你的數據量大到足以與數據集媲美，那麼直接用你的數據訓練網路即可。
在流行的數據集上訓練完，你需要固定卷積池化層，只訓練後面的全連接層參數，用你自己的數據集。
CNN一是調整網路結構，幾層卷積幾層池化，卷積的模板大小等。而是在確定結構上調整參數，weight scale，learning rate，reg等。
你用CNN做圖像分類，無非是把CNN當成學習特徵的手段，你可以吧網路看成兩部分，前面的卷積層學習圖像基本-中等-高層特徵，後面的全連接層對應普通的神經網路做分類。

需要學習的話，首先你去看UFLDL教程。然後cs231n

與其問別人，首先你看了imageNet數據集了嗎？

對於把流行數據集與自己數據混合訓練模型的方法。如果兩種數據十分相似，也未嘗不可。但是對於流行數據集而言，自己的標注數據量一般不會太大，如果是1：1000，1:100這種比例，那麼可能不加自己的數據，完全用數據集訓練的模型就能得到一個還好的結果。
如果自己的數據和數據集有些差別，那混在一起我認為自己的是在用自己的數據當做雜訊加到數據集中。cnn認為圖像是局部相關的，而欺騙CNN的方法則主要出於，自然圖像分布在一種流形結構中，訓練的模型需要這種流形假設，而人工合成的圖像由於添加非自然噪點，不滿足模型假設，所以能用肉眼難分辨的雜訊嚴重干擾分類結果。
如果二者相差過大，數據集是一種分布，你的數據是另一種，放到一起訓練，我沒試過，但我認為結果不會太好。
這時候只能把數據集用來訓練cnn的特徵提取能力。而後用於分類的全連接層，視你的數據量調整規模。

㈨ 文本分類用cnn還是rnn

這裡面有幾個關鍵點：一個是文本跟圖片不一樣，圖片有長寬，然後還有深度（RGB）。對應到文本上，假設文章總共N個詞，每個詞嵌入維度K維，那麼輸入是N * K的，N可以理解為高度，K作為長度，深度為1。那麼卷積的時候的特徵抽取器（filter）高度h一般設置多大呢？一般可以從3開始

㈩ cnn+ctc的實驗，如何利用tensorflow的ctc_loss去實現

batch為10意思是你一個批次計算10個數據樣本，每一個數據樣本的形式應該是m*n的矩陣，所以你的實際輸入是10*m*n的三維矩陣，其中m為time_step，n為feature_num;經過卷積和全連接後你的輸出是10*p*q,其中q表示m經過卷積運算後得到的time_step，可能等於m也可能不等於，看你的卷積核設置。q為num_classes，最後一層的全連接是輸出層，用來做分類的，num_classes就是數據集對應的類別數（實際類別 + 1個空白類 ）