caffe

caffe with some things for my experiment(class classification with clickture data)
这是一个为了完成我的实验，而添加过一些loss层，小工具和代码的caffe，具体添加的东西我会一项一项加上来介绍：

---

Cosine Loss：

the objective function is definede as:
Cosine Loss的目标函数定义如下：

---

example/vgg：

VGG19 layer and solver（include ordinary and fixed)
vgg19 层的模型结构和solver文件，有原版和论文作者修改过的

---

tools：

1.make_imagenet_mean：
compute mean
计算均值文件

2. meantonpy:
   covert .binaryproto to .npy for predicting
   将mean文件转化为npy格式，python调用预测时需要用

3.predict：
input a picture and outpu classification
输入图片并输出分类结果

---

tools/data：

1. HDF5 and LMDB
   to creat lmdb/hdf5 files：
   生成LMDB/HDF5的文件，其中HDF5为了保证每个文件小于2G，每3000张图片生成一个HDF5文件
   LMDB中，一个是train_val生成，一个只生成train
   

2. random：
   load filename.txt type.txt wordweight.txt for shuffling
   读取文件名 种类标签和点击特征文件，随机生成打乱的文件
   

3.copyselpic：
read txt and copy selected picutre to objective file
读取txt文件将选中的图片文件拷贝到指定目录

4.selectpicture：
select picture by click times and possibility
通过预测的可能性和点击量选择图片

---

tools/word：

1. tokenize：
   load queryname.txt query_clickcout.txt to creat word.txt (word sorted by click times)
   读取词组名 词组点击次数文件，生成词文件，按照词的点击量排序

2. tf-idf：
   to create tf-idf file
   读取每张图片的非空词组点击次数文件（行号是图片的索引，每行格式为：query索引 点击次数），词组名文件，选出的词组文件。 生成每张图片的词频文件，然后读取词频文件，生成每张图片的tf-idf文件。

3. createquerymatrix：
   createquerymatrix
   通过被选中的图片txt生成词组点击矩阵和文件名

---