如何将卷积神经网络从一种语言导出到另一种语言？
我想用一种语言训练卷积神经网络，但在另一种语言中使用它（出于各种技术/性能相关的原因）。有没有一种程序化的方法可以通过保存权重来做到这一点？
例如，我可以用Python训练一个多层感知器，然后将所有权重保存在CSV文件中，然后用Java制作一个新的MLP，并使用该文件设置权重。然而，我不确定如何用卷积神经网络做类似的事情，因为我不知道如何处理卷积层。我认为我的主要问题是理解如何导出/保存网络的卷积部分，然后将其加载到其他地方。
共有2个答案
如果我说得对，你想用一种语言训练一个CNN，然后保存它的权重，然后你想用其他语言来使用这些权重<如果是这样的话，答案将完全取决于您想要使用的语言。我见过有人用C/Python训练CNN，使用caffe和save-weights-as。CAFFEM模型。然后，您可以使用loadcaffe接口将这个“.caffemodel”与lua语言一起使用。所以更高层次的答案是；是的，您可以找到一种在python/C和lua之间共享的方法。还可以使用mattorch/matio在lua和matlab之间共享权重。
简而言之，没有通用的方法，也不会，因为它是高度专业化的数据类型，没有人对它们应该是什么样子有共同的想法。
换句话说，您必须自己将其导出到。txt。csv、数据库或您选择的任何其他存储系统。CNN与MLP没有太大区别，它们也有层和权重，唯一的区别是它们的结构有点复杂-这种结构是需要保存的额外数字，例如，对于空间卷积，您需要知道层的大小、核的大小及其移动/填充，这样您就可以用新语言重建整个对象。
-
本文向大家介绍说一下卷积神经网络相关面试题，主要包含被问及说一下卷积神经网络时的应答技巧和注意事项，需要的朋友参考一下 首先是LeNet，七层结构，也就是早期的神经网络，但是中途一直没有得到发展，直到2012年出现了AlexNet,采用了(数据增强，大数据集（imagenet），dropout，relu激活函数，同时使用了GPU)这些技巧，使得准确率得到显著提升；VGG提出了一个新的概念，用小的卷
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Kriz
-
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络
-
我正在开发一种卷积神经网络用于图像分类或更好的车牌分类。这些车牌最多包含8个字符，每个字符可以包含37个字符（A-Z、0-9和空格）。我现在想知道如何设计网络中的最后两层。我认为，最后一个必须是具有37个概率的softmax层。这应该完全连接到一个（？）神经元在前一层？我想，在前一层我们需要8个神经元，因为之前的车牌上有8个字符，但我不确定。在此层之前，我添加了一些卷积层和maxPooling层。
-
在了解了机器学习概念之后，现在可以将注意力转移到深度学习概念上。深度学习是机器学习的一个分支。深度学习实现的示例包括图像识别和语音识别等应用。 以下是两种重要的深度神经网络 - 卷积神经网络 递归神经网络 在本章中，我们将重点介绍CNN - 卷积神经网络。 卷积神经网络 卷积神经网络旨在通过多层阵列处理数据。这种类型的神经网络用于图像识别或面部识别等应用。CNN与其他普通神经网络之间的主要区别在于
-
主要内容：卷积神经网络深度学习是机器学习的一个分支，它是近几十年来研究人员突破的关键步骤。深度学习实现的示例包括图像识别和语音识别等应用。 下面给出了两种重要的深度神经网络 - 卷积神经网络 递归神经网络。 在本章中，我们将关注第一种类型，即卷积神经网络(CNN)。 卷积神经网络 卷积神经网络旨在通过多层阵列处理数据。这种类型的神经网络用于图像识别或面部识别等应用。 CNN与任何其他普通神经网络之间的主要区别在于CNN