深度学习中一些小问题（python篇）

1.验证集，测试集，训练集间的关系？

训练集：训练模型，或者训练模型参数的

验证集：做模型的优化及最终确定模型参数的，确定网络结构和确定模型复杂度的参数的；

测试集：检验最终确定的选择最有模型的性能

前两者在构建模型时使用，因为构建模型时有时候也需要验证数据，检验模型。在构建模型过程中，用验证集检验可以有效的避免“过拟合”。

---

2.用python调用深度学习模型时，此时模型处在什么阶段？输入是什么？输出又是什么？

此时的模型是最终确定的模型，此时的流入数据是属于测试集的数据。

对模型输入的是pic类型的文件，输出的是图片的预测概率和预测概率最大的图片;

---

3.请简要描述从数据流的角度描述 图片数据在网络结构中的 流动进程，可以吗？

我能说不可以吗？

（1）img文件先从数据输入层进入网络结构模型

（2）python调用分类器，对img文件进行处理(将网络模型封装在一个 分类器类 中)

（3）网络模型从损失函数层输出图片在各子集的预测概率

分类器完成的工作：

初始化网络结构 self.net=caffe.Net（deploy,model,self.Test)

将图片送入数据输入层的blobs数据结构中

self.net.blobs['data'】.data[...]=img

在卷及神经网络结构中执行前向计算，在prob层中输出概率

Out=Self.net.forward（）['prob ']

---

4.python与网络模型的关系是什么？

通过数据集、验证集生成一个最优的模型

通过python调用这个模型来实现 模型的识别功能

二者的联系是python api 调用caffe 框架提供的 接口 实现的，所以在使用前要python添加 caffe、sys库

---

5.什么是均值文件？问什么要转化均值文件？转化均值文件发生在深度学习的哪一个阶段？

均值文件是数据缩放过程中产生的，目的是使：通过对数据每一个维度的值进行调节，使最终的数据向量落在0～1之间，这对后面概率化的处理很有帮助。如：图像的像素是在[0，255]，常用处理是除以255，使其缩放在[0,1]之间。

转化均值发生在深度学习的图像预处理阶段。

---

6.请用python描述图像的预处理过程。

tips：目的：将模型训练过程中产生的存储在binaryproto中的均值转化为npy格式，并从中读取均值文件

      网络中的类型：文件在网络结构中存储的类型是blobs，blobs是个四维数组

声明blobs变量（由caffe框架声明）

打开.binaryproto文件，存储在某变量中，此处为bin_mean

将bin_mean转化为string类型，存储在blob变量中

将blob变量转化为数组，存在数组变量arr中，其中arr[0]为均值（至于为什么是arr[0]，我也不晓得）

将数组均值存储在.npy文件中。

---

7..binaryproto中数据的几本书类型是什么呢？

blobs类型