劲舞、雪儿视频√_土豆_高清视频在线观看【图】- 出售雪儿美白祛斑疗肤黄金搭档123套装 - 南宁宾阳家居日用
更新提示：发现新版本浏览器，一样简单易用，速度提升30%不再显示&&关注百姓微信公众号，尽享快捷刷新、信息推送、抽奖活动等众多微信功能您只需要：1 &用微信“扫一扫”右边的二维码2 &在微信中“关注”我们&|&|||||出售雪儿美白祛斑疗肤黄金搭档123套装&提示信息设置为“搞定了！”状态后，其他用户将无法查看您的联系方式。您确认搞定了这条信息吗？提示重新发布后可使用“刷新”将发布时间更新为最新时间，并将信息排到第一页。&&1月31日 15:12 &...次浏览 &信息编号： &价格：138元类型：&地区：1368788****号码归属地：南宁&&百姓网号码保护功能介绍&&拨打百姓400转呼***绝不收取您任何额外费用，该信息发布人仍能看到您的来电号码。联系时，请一定说明在百姓网看到的，谢谢！见面最安全，发现问题请举报。雪儿黄金搭档套装：，
雪儿疗肤洁面乳80g
成&&分：熊果苷、绿茶精华、深海藻精华、玫瑰精华等。
功效：迅速深入肌肤底层，油性抑制皮肤中酪胺酸酶的活性，阻断黑色素生成，防止色斑产生，***淡化黄褐斑、雀斑、等各种色斑；清除皮肤深层的残妆污垢，令肌肤清爽、柔嫩、白皙有光泽。
用法：取适量置于掌心，加清水揉起泡沫，均匀抹于面上并充分***，再以清水洗净即可。
雪儿疗肤日霜20克
成分；藏红花、人参、珍珠活肤精华、维他命A、抗污素等。
功效；具有驱外层污邪，化解内，更新表层老化细胞活力，能直接消除已形成的黑斑、黄褐斑、雀斑、妊娠斑等斑点，并能渗入皮肤深层***黑色素，以达到增白、润肤的完美效果。
用法：洁面后使用，白天或外出时取出适量抹于斑点印处即可。
雪儿疗肤晚霜20克
成分：藏红花、人参、珍珠活肤精华、多种维他命、抗污素等。
功效：迅速更新皮肤表层老化细胞，加速表层肌肤的新陈代谢，溶解排泄沉积黑色素，直接消除已形成的黑斑、黄褐斑、雀斑、妊娠斑等斑点，并能渗入皮肤深层滋润养白，使皮肤变得白嫩润滑。
用法：洁面后使用，晚间或睡前取适量涂抹于面部、颈部即可。
雪儿疗肤珍珠霜20克
成分：珍珠活肤精华、驱鳞藤、当归、银耳、精华等。
功效：促进蛋白质的合成，增强皮肤弹性活力，抑制黑色素形成，养颜坑衰老，美白抗皱，令肌肤变得红润净白，散发珍珠动人光泽。
用法：洁面后使用，取适量均匀涂于面部，轻轻***至完全吸收。
使用方法：
日间：用雪儿疗肤洁面乳洁面后，先用疗肤日霜轻轻***至完全吸收，再用疗肤珍珠霜可起到防晒美白去皱的功效。
夜间：用雪儿疗肤洁面乳洁面后，再用疗肤晚霜轻轻***至完全吸收，可起到修复祛斑的功效。
代理品牌：美芙坊、美斯、菲芭菲、美之韵、潘姿、黄金霜、雅姿韵、雅完美、依祈、九芝堂、美肤白、靓邦素、娇雪靓邦素 、靓嘉丽、东方古韵、芮薇、大清药王、大唐药王、贵族药王、丽一汀、美肌娜、歌利莎、娇颜、美之花、大长今、雪儿、靓丽、韩国佳韵、花韵雪肌霜、天使之翼、颜姬、圣泉美、欧姿美、祈姬、歆寇莹雪肌肤、中华古韵、韵美生肌之白、御颜汉方、御清堂、樱花素、祈颜雅漾、多喜美、胭脂雪、婵后、花月颜、容颜、焕美?、佳人堂、香肌玉肤等品牌。全部正品保障，货源充足，全国货到付款，欢迎广大朋友购买（网店或个人、团购也可以），我们以优质的服务，优惠的价格提供最好的产品；你的肌肤由你呵护，美丽值得你拥有！该用户其他信息1月29日&西乡塘 - 西乡塘 - 广西大学校西校园狗洞商业区2000元以下&/&南宁市南天烧卤店1月29日&西乡塘 - 西乡塘 - 广西大学西校园内元&/&南宁市南天烧卤店15年11月19日&横县138元&/&化妆品注册城市：南宁发帖城市：玉林发帖数量：48条发帖城市数量：5个
安全小贴士
反馈建议描述：请填写描述手机号：请填写手机号请填写手机号Caffe使用step&by&step：caffe框架下的基本操作和分析
caffe虽然已经***了快一个月了，但是caffe使用进展比较缓慢，果然如刘老师说的那样，搭建起来caffe框架环境比较简单，但是完整的从数据准备-&模型训练-&调参数-&合理结果需要一个比较长的过程，这个过程中你需要对caffe中很多东西，细节进行深入的理解，这样才可以知道为什么能有这样的结果，在训练或者fine-tuning时知道针对调整的方法。下面针对caffe中的使用进行讲解。
　　在使用过程中，caffe官网上提供了详细的使用说明，如果感觉仍然存在一些困难，可以使用谷歌或百度搜索自己遇到的问题和想要了解的过程进行搜索学习。
一、Caffe模型基本组成
想要训练一个caffe模型，需要配置两个文件，包含两个部分：网络模型，参数配置，分别对应***.prototxt ,
****_solver.prototxt文件
Caffe模型文件讲解：
预处理图像的leveldb构建&
输入：一批图像和label （2和3）&
输出：leveldb （4）&
指令里包含如下信息：
conver_imageset （构建leveldb的可运行程序）
train/ （此目录放处理的jpg或者其他格式的图像)
label.txt (图像文件名及其label信息)
输出的leveldb文件夹的名字
CPU/GPU (指定是在cpu上还是在gpu上运行code)
CNN网络配置文件
Imagenet_solver.prototxt
（包含全局参数的配置的文件）
Imagenet.prototxt （包含训练网络的配置的文件）
Imagenet_val.prototxt （包含测试网络的配置文件）
网络模型：即定义你网络的每一层，下图是用caffe中
/python/draw_net.py画出的的siamese的模型，非常清晰
TITLE="Caffe使用step&by&step：caffe框架下的基本操作和分析" />
层包含：（以LeNet为例）
DATA:一般包括训练数据和测试数据层两种类型。
一般指输入层，包含source：数据路径，批处理数据大小batch_size，scale表示数据表示在[0,1]，0.即
训练数据层：
layer { name:&"mnist"&type:&"Data"&top:&"data"&top:&"label"&include { phase: TRAIN } transform_param { scale:0.&} data_param { source:&"examples/mnist/mnist_train_lmdb"&batch_size:&64&backend: LMDB } }
测试数据层：
layer { name:&"mnist"&type:&"Data"&top:&"data"&top:&"label"&include { phase: TEST } transform_param { scale:0.&} data_param { source:&"examples/mnist/mnist_test_lmdb"&batch_size:&100&backend: LMDB } }
CONVOLUATION：卷积层，blobs_lr:1
, blobs_lr:2分别表示weight
及bias更新时的学习率，这里权重的学习率为solver.prototxt文件中定义的学习率真，bias的学习率真是权重学习率的2倍，这样一般会得到很好的收敛速度。
num_output表示滤波的个数，kernelsize表示滤波的大小，stride表示步长，weight_filter表示滤波的类型
layer { name:&"conv1"&type:&"Convolution"&bottom:&"data"&top:&"conv1"¶m { lr_mult:&1 //weight学习率&} param { lr_mult:&2&//bias学习率，一般为weight的两倍&} convolution_param { num_output:&20&//滤波器个数kernel_size:&5&stride:&1&//步长&weight_filler { type:&"xavier"&} bias_filler { type:&"constant"&} } }
POOLING: 池化层
layer { name:&"pool1"&type:&"Pooling"&bottom:&"conv1"&top:&"pool1"&pooling_param { pool: MAX kernel_size:&2stride:&2&} }
INNER_PRODUCT:
其实表示全连接，不要被名字误导
layer { name:&"ip1"&type:&"InnerProduct"&bottom:&"pool2"&top:&"ip1"¶m { lr_mult:&1&} param { lr_mult:&2&} inner_product_param { num_output:&500&weight_filler { type:&"xavier"&} bias_filler { type:&"constant"&} } }
RELU：激活函数，非线性变化层 max( 0 ,x
)，一般与CONVOLUTION层成对出现
layer { name:&"relu1"&type:&"ReLU"&bottom:&"ip1"&top:&"ip1"&}
layer { name:&"loss"&type:&"SoftmaxWithLoss"&bottom:&"ip2"&bottom:&"label"&top:&"loss"&}
参数配置文件：
***_solver.prototxt文件定义一些模型训练过程中需要到的参数，比较学习率，权重衰减系数，迭代次数，使用GPU还是CPU等等
# The train/test net protocol buffer definition net:&"examples/mnist/lenet_train_test.prototxt"&# test_iter specifies how many forward passes the test should carry&out. # In the&case&of MNIST, we have test batch size&100&and&100&test iterations, # covering the full&10,000&testing images. test_iter:&100&# Carry&out&testing every&500&training iterations. test_interval:&500&# The&base&learning rate, momentum and the weight decay of the network. base_lr:&0.01&momentum:&0.9&weight_decay:&0.0005&# The learning rate policy lr_policy:"inv"&gamma:&0.0001&power:&0.75&# Display every&100&iterations display:&100&# The maximum number of iterations max_iter:&10000&# snapshot intermediate results snapshot:&5000&snapshot_prefix:"examples/mnist/lenet"&# solver mode: CPU or GPU solver_mode: GPU device_id:&0 #在cmdcaffe接口下，GPU序号从0开始，如果有一个GPU，则device_id:0
训练出的模型被存为***.caffemodel，可供以后使用。
二、使用caffe训练模型包含以下几个步骤：
重建lmdb/leveldb文件，caffe支持三种数据格式输入：images,
levelda, lmdb
定义name.prototxt ,
name_solver.prototxt文件
三、caffe中比较有用且基础的接口(cmdcaffe)
注：在使用cmdcaffe时，需要默认切换到Caffe_Root文件夹下
1、训练模型，以mnist为例子
./build/tools/caffe train --solver=examples/mnist/lenet_solver.prototxt
注：caffe官网上给的例子不能直接执行，需要使用上述命令才可以使用tools下的caffe接口，因为caffe默认都需要从根目录下面执行文件。
2、观察各个阶段的运行时间可以使用
./build/tools/caffe time --model=models/bvlc_reference_caffenet/train_val.prototxt
3、使用已有模型提取特征
./build/tools/extract_features.bin models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel examples/_temp/imagenet_val.prototxt conv5 examples/_temp/features&10
&conv5表示提取第五个卷积层的特征，
examples/_temp/feaures表示存放结果的目录（这里的目录需要提前构建好）
4、对已有模型进行find-tuning，比如我们现在有一个1000类的分类模型，但目前我们的需求仅是20类，此时我们不需要重新训练一个模型，只需要将最后一层换成20类的softmax层，然后使用已有数据对原模型进行fine-tuning即可
　　在很多时候，使用Caffe框架学习深度学习模型时，从ImageNet或者其他大型数据集从头开始训练获得一个fine-tuing合适的模型难度太大，这时候最好的情况，就是在已经训练好的模型上面来进行fine-tuning，通过这些过程可以加深自己对深度学习，以及对caffe使用的了解和熟悉，以方便自己在后续提出自己的模型，自己进行模型训练和fine-tuning的过程。
已经训练好的caffe模型可以在git的caffe项目中下载，比较经典的模型有：AlexNet.caffemodel ,
LeNet.caffemodel , RCnn.caffemodel，其他的大家可以在caffe的git官网上面下载。
使用自己的数据集对已经训练好的模型进行fine-tuning的操作（使用cmdcaffe接口来进行）：
./build/tools/caffe train -solver models/finetune_flickr_style/solver.prototxt -weights models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel -gpu&0
第一个参数：选择好caffe模块
train：选取train函数
后面接具体的参数，分别为配置命令，配置文件路径，fine-tuning命令，fine-tuning依赖的基准模型文件目录，选用的训练方式：gpu或者cpu，使用cpu时可以默认不写
注：fine-tuning的过程与训练过程类似，只是在调用caffe接口时的命令不同，因此在fine-tuning之前，仍然需要按照训练流程准备数据。
下载数据-&生成trainset和testset-&生成db-&设置好路径-&fine-tuning。
5、还有一个是python下面的接口，draw_net.py可以根据.prototxt文件将模式用图示的方法表示出来，博文开始的模型图即用该接口所绘
./python/draw_net.py ./examples/siamese/mnist_siamese.prototxt ./examples/siamese/mnist_siamese.png
使用该接口进行网络的绘制示例化
&第一个参数为模型文件，第二个参数为所绘模型图的保存地址
深度学习中batch_size的作用：
在深度学习训练过程中，有两种训练方法，一种意识batch ，一种是stochastic训练方法
solver：使用forward和backward接口来更新参数，并迭代对loss进行降低（定义的优化方法，有stochastic
gradient descent，SGD；Adaptive gradient ，NAG和Scaffolding）
solver作用：（指定优化方法）
1.可以逐步对网络寻优，创建训练得到的网络，并对测试网络进行评价；
2.通过调用forward和backward来对网络参数进行迭代寻优；
3.周期性更新网络；
4.记录网络训练中间过程，寻优过程中记录状态
参考博客：
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。