def create_reader(map_file, mean_file, train): if not os.path.exists(map_file) or not os.path.exists(mean_file): raise RuntimeError(“File '%s' or '%s' does not exist. Please run install_cifar10.py from DataSets/CIFAR-10 to fetch them” % (map_file, mean_file)) # transformation pipeline for the features has jitter/crop only when training transforms = [] if train: transforms += [ cntk.io.ImageDeserializer.crop(crop_type='Random', ratio=0.8, jitter_type='uniRatio') # train uses jitter … 阅读全文 研究CNTK（七）：Python还是BrainScript速度更快？ →

从任务上来说，识别物体是最艰难的，因为物体大小开关都会发生灵活变化，传统的神经网络识别这个几乎是不可能的任务，而卷积技术则克服了这一点，不过仍然需要依赖强大的计算量。 ConvNet中的模型是： model = Sequential (             Normalize {featMean, featScale} :             ConvolutionalLayer {64, (3:3), pad = true} : ReLU :             ConvolutionalLayer {64, (3:3), pad = true} : ReLU :             MaxPoolingLayer {(3:3), stride = (2:2)} :             ConvolutionalLayer {64, (3:3), pad = true} : ReLU :             ConvolutionalLayer {64, (3:3), pad = true} … 阅读全文 研究CNTK(五）：ConvNet_CIFAR10.cntk、ConvNet_CIFAR10_DataAug.cntk →

可以看出结果为： Minibatch[1-10]: errs = 0.470% * 10000; ce = 0.01797164 * 10000 Final Results: Minibatch[1-10]: errs = 0.470% * 10000; ce = 0.01797164 * 10000; perplexity = 1.01813410 错误仅只有0.47，相当于正确率为99.53%，这个非常高了。 这是采用了三层卷积的效果，迭代了40次，算了挺久的，按MNIST的网站上的公布最好成绩为0.23，共计用了35个卷积层，很难想象这个得算多久。 与之前的代码几乎还是相同，不同主要是在model上，它是这样的：  model = Sequential (             Scale {featScale} :             ConvolutionalLayer {32, (5:5), pad = true} : ReLU :             MaxPoolingLayer    {(3:3), stride=(2:2)} :             … 阅读全文 研究CNTK（四）：ConvNet_MNIST.cntk →

与一个隐含层的神经网络不同的体现只在MODEL这里，它是这样定义的：      在01中定义是：      model(x) = {             s1 = x * featScale             h1 = DenseLayer {200, activation=ReLU} (s1)             z = LinearLayer {labelDim} (h1)         }     在02中的定义要配合图比较直观：         model = Sequential (             #归一化             Scale {featScale} :             #创建卷积层，函数使用RELU，对图像进行5:5的卷积，这就滤波器，这里使用16个滤波器，因为不补零，所以是16个24×24的sudo-image             ConvolutionalLayer {16, (5:5), pad = true} : ReLU :             #进行最大池化，得到feature … 阅读全文 研究CNTK(三）：MNIST识别之02、03、04 →

# Parameters can be overwritten on the command line # for example: cntk configFile=myConfigFile RootDir=../.. # For running from Visual Studio add # currentDirectory=$(SolutionDir)/ command = trainNetwork:testNetwork precision = “float”; traceLevel = 1 ; deviceId = “auto” rootDir = “..” ; dataDir = “$rootDir$/DataSets/MNIST” ; outputDir = “./Output” ; modelPath = “$outputDir$/Models/01_OneHidden” #stderr = “$outputDir$/01_OneHidden_bs_out” … 阅读全文 研究CNTK(三）：MNIST识别之01_OneHidden.cntk →

01_OneHidden，一个隐藏层，相当于简单的三层神经网络，直接用的RELU，效果不错。 Minibatch[1-10]: errs = 1.560% * 10000; ce = 0.05553107 * 10000 Final Results: Minibatch[1-10]: errs = 1.560% * 10000; ce = 0.05553107 * 10000; perplexity = 1.05710186 02_OneConv，一层的卷积神经网络，测试显然有所提升。 Minibatch[1-10]: errs = 1.190% * 10000; ce = 0.03576933 * 10000 Final Results: Minibatch[1-10]: errs = 1.190% * 10000; ce = 0.03576933 * 10000; perplexity = … 阅读全文 CNTK研究（二）：测试MNIST几种识别效果 →