ncnncmake编译

㈠ 数学排列组合中 那个Cnn Pnn 还有Ann 是什么意思

P和A是一样的，都是排列，P是旧用法，现在教材上多用A，从M个元素取N个进行排列，就是说取出来N个之后，这N个还要排序，求得是排序的种数。
C是组合，就是只从M个里头取N个，不排序，求得是取的种数。

A和C的关系就是Amn=Cmn×n！，其中的n！也就是N个数排列的种数，也就是他俩的区别。

Cnn=1 n个里选n个的组合只有一种。
Pnn=Ann=n!

㈡ C0n+C1n+C2n+……+Cnn=2^n 是什么公式，请用具体数字举个栗子，谢谢

这个是二项式定理来的。二项式定理高中书里有的，如下：

望采纳，谢谢

㈢ 如何将cnn模型放到服务器上运行

一、模型加载

用已经训练好的模型来检测，rcnn_model_file指模型路径。

二、候选区域提取（Region proposals）

本论文采用selective search[3]方法生成候选区域，代码作者以给出，rcnn代码中的selective_search_boxes.m是根据selective search源代码中的demo.m修改的，参数im是矩阵图，不是图片路径，最后输出格式为N * 4的矩阵，N表示region proposals 的个数，每行表示一个region proposal对角线坐标。

三、特征提取（Feature extraction）

使用rcnn_features为每一个region proposals提取cnn特征，输出结果为N * 4096，每行表示一个region proposal的特征。

四、分类（classification）

调用下面函数为每一个region proposal计算各类的score，结果为N * C 矩阵，C表示物体类别个数，每行表示一个region proposal对应各个类别的score。

㈣ 高中数学排列C0n(上0下n)一直加到Cnn，为什么等于2∧n

组合的方法证明：

设有n个小球放到两个不同的盒子中，盒子可以为空。

若对小球进行讨论，每个小球有两个选择，共有2^n种放法。

若用分类原理，一号盒子中没有小球的放法有cn0种，有一个小球的放法有cn1种，有两个小球的放法有cn2种，有n个小球的放法有cnn种，共有放法cn0+cn1+cn2+…+cnn种显然，两种方法得到的结果相同，所以有cn0+cn1+cn2+…+cnn＝2^n。

排列的定义：

从n个不同元素中，任取m(m≤n,m与n均为自然数,下同）个元素按照一定的顺序排成一列，叫做从n个不同元素中取出m个元素的一个排列；从n个不同元素中取出m(m≤n）个元素的所有排列的个数，叫做从n个不同元素中取出m个元素的排列数，用符号 A(n,m）表示。

计算公式：

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

组合的定义：从n个不同元素中，任取m(m≤n）个元素并成一组，叫做从n个不同元素中取出m个元素的一个组合；从n个不同元素中取出m(m≤n）个元素的所有组合的个数，叫做从n个不同元素中取出m个元素的组合数。用符号 C(n,m) 表示。

㈤ linux 如何运行benchmark循环跑

Linux 如何运行benchmark循环跑如下
benchmark中包含了跑benchmark的源码benchncnn.cpp，感兴趣的可以先看一下里面的内容。在Linux的文件根目录下，新建一个build文件夹并进入，当然也可以不叫build，随便你自己起。mkdir build && cd build进入之后就可以进行编译了，编译之后在build文件夹下会生成一个叫benchmark的文件夹，之后的工作会在这里进行。编译用的是cmake，这里如果有问题的话可以注意一下cmake的版本，我用的版本是3.12.3。具体命令如下:cmake .
make -j8这里cmake编译实际上是要根据上一层文件夹的CMakeLists.txt的文本来的，这里的..其实就是表示的上一层文件夹。 Make -j后面的数字是开几个核，根据自己电脑的实际情况来。执行完成之后就可以看到build里有了benchmark的文件夹。
入这个文件夹，可以看到一个benchncnn的可执行文件已经编译好了，运行这个可执行文件就可以测试模型的速度。但是这个可执行文件默认的是找到当前文件夹下的param格式的文件。
所有自带的模型文件都在ncnn根目录下的benchmark的文件夹中，把里面所有的param文件都拷贝到现在的benchmark文件夹，然后执行如下命令./benchncnn 4 2 0 -1
第一个数字表示测试次数，第二个表示开的线程数（这一点ncnn做的不错），最后一个数字-1表示只测cpu。NCNN交叉编译到rk3288(armv7架构)和rk3399(armv8架构）的方法。

㈥ 怎么在windows下编译fast rcnn需要的python版本的caffe接口

一、前期环境以及准备
1、安装python
在caffe中，python2和python3的接口都有。但frcnn中只能支持python2.7，所以千万不要装成python3。为了方便，不用自己去pip一大堆库，我建议安装anaconda2，里面已经安装了很多第三方的库。
另附python，Windows的第三方库 ，里面很全。或许有一些库你要去官网上下载。
2、安装（更新）显卡驱动和cuda
NVIDIA的显卡驱动安装应该不用我说了吧，到官网上下载吧。我要说明一点的是，我的1080ti在安装显卡驱动时，说和Windows不匹配。怎么解决呢？更新Windows，到官网上下驱动，再安装。成功！还有就是记得更新你的显卡驱动，以防老的驱动不支持cuda。
CUDA安装的话，也是傻瓜试的安装。提醒一点的是，不要改变他的安装路径，默认路径。然后去NVIDIA的官网上下载cudnn库，这个库的话需要去NVIDIA注册一个账号，然后问你用这个来完成什么工作之类的巴拉巴拉。这个库长什么样呢？下载完解压缩，得到一个cuda的文件夹，里面有3个文件夹

然后打开你的CUDA文件夹，默认路径是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0

把cudnn库里面的3个文件夹里面的文件，分别加到cuda里面对应的文件夹。
然后打开cuda需要编译的部分，默认路径是C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0

因为我用的VS2015，那么我就用打开2015的那个，然后改成release运行。
至此，显卡计算的环境就搭建完成了。
3、cmake和git
cmake的话，我建议直接下载编译好的能运行的文件（到官网上下载），然后解压文件，把bin的路径添加到Path中。
git：因为frcnn里面有很多linux的脚本，你可以不用，但用的话会很方便的。所以我建议安装git。同样，傻瓜式的安装，直接到官网上下载。
二、py-faster-rcnn
1、编译caffe的python接口GPU版本（如果你编译过了就不用了）
因为frcnn的编译过程用需要用到python的caffe包，所以必须要先编译一次caffe。如果你已经编译过caffe的py接口就不用了。
下载微软的Caffe，git的地址

你可以用git直接下载，或者在git的地址里下载，随便你。

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

打开caffe\scripts，然后编辑build_win.cmd文件

第7行的VERSION是你VS的版本，VS2015对应的是14，VS2013对应的应该是12；第8行改为0；第9行改为0（如果你不用GPU，那就还是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的安装目录，如果你是anaconda就改你的anaconda的目录，否则就不改。

同样69-95行同样修改。以上2张图是我的cmake文件配置。
进入caffe\scripts，打开cmd，直接执行build_win.cmd。注意他会自动下载需要的库，因为服务器呢都不在国内，所以我建议挂个VPN，不然你且等呢吧。
这样cmake后呢，python的接口就已经编译好了，不用再编译一遍了。把caffe\python下的caffe的文件夹到python的第三方包的文件夹就ok。

这样caffe的python接口就好了，你可以进cmd的python试一下import caffe。如果说，他提示少了什么包，你直接pip这个包就好了，找不到的话，网络一下就有。但只要你跟着上面我的方法做应该不会出现什么问题。

2、编译py-faster-rcnn依赖库

首先呢，我们先去编译一下frcnn的依赖库。Windows下，不能使用自带的lib，把自带的lib删了，重新下载，这里给出git的地址。

好了，现在你的库应该长成这样，有setup.py和setup_cuda.py。进cmd，install这2个文件。
现在你肯定会遇到问题，提示你VC版本不对

怎么办呢，先set一下：输入SET VS90COMNTOOLS=%VS140COMNTOOLS%，VS后面的数字就是你的版本。还有不要忘了把你VS的c1.exe加到path下。

编译好frcnn的依赖库后，应该是这个样子的。
3、给caffe加frcnn的层
现在，我们再下载一个caffe，跟前面一样，把build_win.cmd进行修改。然后我们就可以把frcnn的一些特有的层加到caffe里编译了。
1）添加层和文件

打开py-faster-rcnn\caffe-fast-rcnn\src\caffe\layers文件夹，找到4个文件分别为

然后到你新的caffe的对应文件夹caffe\src\caffe\layers里。
接着我们添加头文件，打开py-faster-rcnn\caffe-fast-rcnn\include\caffe，把fast_rcnn_layers.hpp这文件到caffe的对应文件夹下caffe\include\caffe。
2）配置2个新层
打开你的caffe\src\caffe\proto下的caffe.proto，进行编辑。
在407行左右

往原来的文件里添加新的层的配置信息

[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接口

就是再执行一遍build_win.cmd就行。编译好之后，把caffe根目录下的python文件夹替换py-faster-rcnn\caffe-fast-rcnn的python文件夹。
三、demo

完成以上步骤你的py-faster-rcnn就已经编译成功了。如果你想用demo测试一下的话可以用.\data\scripts里的脚本去下载已经训练好的model，文件挺大的、速度挺慢的。所以给大家提供一个网络5，把caffemodel文件放在data\faster_rcnn_models，然后执行tools\demo.py就能看到结果了

㈦ texcnn着作

《深入TextCNN》系列文章是结合PyTorch对TextCNN从理论到实战的详细教程。
对于文本分类问题，常见的方法无非就是抽取文本的特征，比如使用doc2evc或者LDA模型将文本转换成一个固定维度的特征向量，然后在基于抽取的特征训练一个分类器。 然而研究证明，TextCnn在文本分类问题上有着更加卓越的表现。从直观上理解，TextCNN通过一维卷积来获取句子中n-gram的特征表示。TextCNN对文本浅层特征的抽取能力很强，在短文本领域如搜索、对话领域专注于意图分类时效果很好，应用广泛，且速度快，一般是首选；对长文本领域，TextCNN主要靠filter窗口抽取特征，在长距离建模方面能力受限，且对语序不敏感。

㈧ 如何把cnn分类程序变为回归程序

你要看你的图像是什么。如果是彩色数字，先转成灰度。用MNIST训练网络。如果是各种主题，用彩色的imageNET训练。如果你的数据量大到足以与数据集媲美，那么直接用你的数据训练网络即可。
在流行的数据集上训练完，你需要固定卷积池化层，只训练后面的全连接层参数，用你自己的数据集。
CNN一是调整网络结构，几层卷积几层池化，卷积的模板大小等。而是在确定结构上调整参数，weight scale，learning rate，reg等。
你用CNN做图像分类，无非是把CNN当成学习特征的手段，你可以吧网络看成两部分，前面的卷积层学习图像基本-中等-高层特征，后面的全连接层对应普通的神经网络做分类。

需要学习的话，首先你去看UFLDL教程。然后cs231n

与其问别人，首先你看了imageNet数据集了吗？

对于把流行数据集与自己数据混合训练模型的方法。如果两种数据十分相似，也未尝不可。但是对于流行数据集而言，自己的标注数据量一般不会太大，如果是1：1000，1:100这种比例，那么可能不加自己的数据，完全用数据集训练的模型就能得到一个还好的结果。
如果自己的数据和数据集有些差别，那混在一起我认为自己的是在用自己的数据当做噪声加到数据集中。cnn认为图像是局部相关的，而欺骗CNN的方法则主要出于，自然图像分布在一种流形结构中，训练的模型需要这种流形假设，而人工合成的图像由于添加非自然噪点，不满足模型假设，所以能用肉眼难分辨的噪声严重干扰分类结果。
如果二者相差过大，数据集是一种分布，你的数据是另一种，放到一起训练，我没试过，但我认为结果不会太好。
这时候只能把数据集用来训练cnn的特征提取能力。而后用于分类的全连接层，视你的数据量调整规模。

㈨ 文本分类用cnn还是rnn

这里面有几个关键点：一个是文本跟图片不一样，图片有长宽，然后还有深度（RGB）。对应到文本上，假设文章总共N个词，每个词嵌入维度K维，那么输入是N * K的，N可以理解为高度，K作为长度，深度为1。那么卷积的时候的特征抽取器（filter）高度h一般设置多大呢？一般可以从3开始

㈩ cnn+ctc的实验，如何利用tensorflow的ctc_loss去实现

batch为10意思是你一个批次计算10个数据样本，每一个数据样本的形式应该是m*n的矩阵，所以你的实际输入是10*m*n的三维矩阵，其中m为time_step，n为feature_num;经过卷积和全连接后你的输出是10*p*q,其中q表示m经过卷积运算后得到的time_step，可能等于m也可能不等于，看你的卷积核设置。q为num_classes，最后一层的全连接是输出层，用来做分类的，num_classes就是数据集对应的类别数（实际类别 + 1个空白类 ）