warp_ctc_loss_layer.cpp:56] Check failed: N_ == label_seq*** Check failure stack trace: *** ->num() (128 vs. 64)

[prfans]

发现一个问题, 应该是bug: 训练样本图像高度须为32像素高度, 高于32, 比如36就会出错. 是否可以修复下,谢谢. @senlinuc

[ManiroXi]

网络结构要求输入高度为32，您可以修改网络参数适配

[mengpengfei]

对有些数据集 leveldb 训练报错怎么回事 Check failed: shape[i] >= 0 (-546308077 vs. 0)

[zhudibo]

修改输入图像的大小该怎么改网络啊？求指导，想把32改为64.

[prfans]

看那一层不合适，修改那一层的网络结构。

在 2019-05-16 11:23:14，"zhudibo" notifications@github.com 写道：

修改输入图像的大小该怎么改网络啊？求指导，想把32改为64.

— You are receiving this because you authored the thread. Reply to this email directly, view it on GitHub, or mute the thread.

[zhudibo]

我已经修改好的，训练出的结果发现，没有32的好。

---Original--- From: "prfans"notifications@github.com Date: 2019/5/20 10:16:55 To: "senlinuc/caffe_ocr"caffe_ocr@noreply.github.com; Cc: "zhudibo"1020286694@qq.com;"Comment"comment@noreply.github.com; Subject: Re: [senlinuc/caffe_ocr] warp_ctc_losslayer.cpp:56] Check failed: N == label_seq Check failure stack trace: ->num() (128 vs. 64) (#59)

看那一层不合适，修改那一层的网络结构。

在 2019-05-16 11:23:14，"zhudibo" notifications@github.com 写道：

修改输入图像的大小该怎么改网络啊？求指导，想把32改为64.

— You are receiving this because you authored the thread. Reply to this email directly, view it on GitHub, or mute the thread. — You are receiving this because you commented. Reply to this email directly, view it on GitHub, or mute the thread.

[mengpengfei]

训练一直loss不下降是怎么回事？

[prfans]

练出的结果发现，没有32的

其他的参数应该也需要调整，比如卷积核尺寸等。

[prfans]

训练一直loss不下降是怎么回事？

这种问题一般检查下数据标注有无问题，输出层标签数量等错误。

[mengpengfei]

检查过了 输出层36个字符num_output: 37 ，数据标注也没有问题

[zhudibo]

练出的结果发现，没有32的

其他的参数应该也需要调整，比如卷积核尺寸等。

32的变为64的，卷积的大小我没变，我只是把lstm之前的一个池化层的kner_h,由4改为8.不知大佬怎么改的？

[prfans]

据标注也没有问题

那可能是训练数据问题，或者标注有错误的，或者数据集本身比较难训练。如果数据集没有问题，建议修改下学习率参数试试。

[prfans]

练出的结果发现，没有32的 其他的参数应该也需要调整，比如卷积核尺寸等。

32的变为64的，卷积的大小我没变，我只是把lstm之前的一个池化层的kner_h,由4改为8.不知大佬怎么改的？

64的图像肯定字符变大了，卷积核的尺寸可能也得增大处理，另外，也可以把前面的CNN去掉，换成inception v3等网络，然后在CNN后面再接LSTM和ctc。神经网络这类方法，参数得不停尝试。

[zhudibo]

我使用的是dense那个网络。这个网络的识别率是最高的，然后就使用它了，其他的我来试试

---Original--- From: "prfans"notifications@github.com Date: 2019/5/20 10:50:27 To: "senlinuc/caffe_ocr"caffe_ocr@noreply.github.com; Cc: "zhudibo"1020286694@qq.com;"Comment"comment@noreply.github.com; Subject: Re: [senlinuc/caffe_ocr] warp_ctc_losslayer.cpp:56] Check failed: N == label_seq Check failure stack trace: ->num() (128 vs. 64) (#59)

练出的结果发现，没有32的 其他的参数应该也需要调整，比如卷积核尺寸等。

32的变为64的，卷积的大小我没变，我只是把lstm之前的一个池化层的kner_h,由4改为8.不知大佬怎么改的？

64的图像肯定字符变大了，卷积核的尺寸可能也得增大处理，另外，也可以把前面的CNN去掉，换成inception v3等网络，然后在CNN后面再接LSTM和ctc。神经网络这类方法，参数得不停尝试。

— You are receiving this because you commented. Reply to this email directly, view it on GitHub, or mute the thread.

[mengpengfei]

这学习率已经很低了吧

I0520 10:58:05.349864 10564 solver.cpp:342] Iteration 13545000, Testing net (#0) I0520 10:58:06.535334 9736 data_layer.cpp:78] Restarting data prefetching from start. I0520 10:58:06.627910 10564 solver.cpp:409] Test net output #0: acc = 0.045701 I0520 10:58:06.627910 10564 solver.cpp:409] Test net output #1: acc = 0 I0520 10:58:06.627910 10564 solver.cpp:409] Test net output #2: ctcloss = 21.4828 ( 1 = 21.4828 loss) I0520 10:58:06.674784 10564 solver.cpp:231] Iteration 13545000, loss = 21.2888 I0520 10:58:06.674784 10564 solver.cpp:249] Train net output #0: ctcloss = 21.2888 ( 1 = 21.2888 loss) I0520 10:58:06.674784 10564 sgd_solver.cpp:106] Iteration 13545000, lr = 4.47636e-07 I0520 10:58:13.256012 10564 solver.cpp:231] Iteration 13545100, loss = 21.3843 I0520 10:58:13.256012 10564 solver.cpp:249] Train net output #0: ctcloss = 21.3843 ( 1 = 21.3843 loss) I0520 10:58:13.256012 10564 sgd_solver.cpp:106] Iteration 13545100, lr = 4.47634e-07 I0520 10:58:19.844333 10564 solver.cpp:231] Iteration 13545200, loss = 21.2293 I0520 10:58:19.844333 10564 solver.cpp:249] Train net output #0: ctcloss = 21.2293 ( 1 = 21.2293 loss) I0520 10:58:19.844333 10564 sgd_solver.cpp:106] Iteration 13545200, lr = 4.47631e-07 I0520 10:58:26.444380 10564 solver.cpp:231] Iteration 13545300, loss = 21.3867 I0520 10:58:26.444380 10564 solver.cpp:249] Train net output #0: ctcloss = 21.3867 ( 1 = 21.3867 loss) I0520 10:58:26.444380 10564 sgd_solver.cpp:106] Iteration 13545300, lr = 4.47629e-07 I0520 10:58:33.061249 10564 solver.cpp:231] Iteration 13545400, loss = 21.4561 I0520 10:58:33.061249 10564 solver.cpp:249] Train net output #0: ctcloss = 21.4561 ( 1 = 21.4561 loss) I0520 10:58:33.061249 10564 sgd_solver.cpp:106] Iteration 13545400, lr = 4.47626e-07

[prfans]

这学习率已经很低了吧

I0520 10:58:05.349864 10564 solver.cpp:342] Iteration 13545000, Testing net (#0) I0520 10:58:06.535334 9736 data_layer.cpp:78] Restarting data prefetching from start. I0520 10:58:06.627910 10564 solver.cpp:409] Test net output #0: acc = 0.045701 I0520 10:58:06.627910 10564 solver.cpp:409] Test net output #1: acc = 0 I0520 10:58:06.627910 10564 solver.cpp:409] Test net output #2: ctcloss = 21.4828 ( 1 = 21.4828 loss) I0520 10:58:06.674784 10564 solver.cpp:231] Iteration 13545000, loss = 21.2888 I0520 10:58:06.674784 10564 solver.cpp:249] Train net output #0: ctcloss = 21.2888 ( 1 = 21.2888 loss) I0520 10:58:06.674784 10564 sgd_solver.cpp:106] Iteration 13545000, lr = 4.47636e-07 I0520 10:58:13.256012 10564 solver.cpp:231] Iteration 13545100, loss = 21.3843 I0520 10:58:13.256012 10564 solver.cpp:249] Train net output #0: ctcloss = 21.3843 ( 1 = 21.3843 loss) I0520 10:58:13.256012 10564 sgd_solver.cpp:106] Iteration 13545100, lr = 4.47634e-07 I0520 10:58:19.844333 10564 solver.cpp:231] Iteration 13545200, loss = 21.2293 I0520 10:58:19.844333 10564 solver.cpp:249] Train net output #0: ctcloss = 21.2293 ( 1 = 21.2293 loss) I0520 10:58:19.844333 10564 sgd_solver.cpp:106] Iteration 13545200, lr = 4.47631e-07 I0520 10:58:26.444380 10564 solver.cpp:231] Iteration 13545300, loss = 21.3867 I0520 10:58:26.444380 10564 solver.cpp:249] Train net output #0: ctcloss = 21.3867 ( 1 = 21.3867 loss) I0520 10:58:26.444380 10564 sgd_solver.cpp:106] Iteration 13545300, lr = 4.47629e-07 I0520 10:58:33.061249 10564 solver.cpp:231] Iteration 13545400, loss = 21.4561 I0520 10:58:33.061249 10564 solver.cpp:249] Train net output #0: ctcloss = 21.4561 ( 1 = 21.4561 loss) I0520 10:58:33.061249 10564 sgd_solver.cpp:106] Iteration 13545400, lr = 4.47626e-07

你这个肯定有问题，一千多万次，这么低的精度。

[mengpengfei]

总共训练了550w张，样本比较复杂，是是不是resnet-18网络层太浅导致的？

loss一直是21点多不下降

[prfans]

总共训练了550w张，样本比较复杂，是是不是resnet-18网络层太浅导致的？

loss一直是21点多不下降 你可以先换个简单的数据集，看看是否能否收敛。如果简单的数据集可以收敛，而你这个数据集不收敛，就建议更改网络结构了，比如把前面的CNN改复杂一点，把后边的LSTM也改复杂一点，同时增加训练样本量。

[mengpengfei]

试过了，简单样本收敛很快

[prfans]

试过了，简单样本收敛很快

那就建议改用更复杂的网络了。方便透漏是啥样本？550万张不收敛。

[mengpengfei]

生成的英数样本，干扰比较多，16000多个字体 如果每种字体生成10000张，就需要1.6亿张图片了 麻烦问下有没有更简便的方法

[prfans]

生成的英数样本，干扰比较多，16000多个字体

你这个任务比较复杂，我也在做一个OCR项目，字体也就几十种，我样本4000多万，是可以收敛的。 可能我加的干扰没有你的。 16000种字体，这个任务我没信心做好，样本类内差异可能会大于类间差异。

[prfans]

生成的英数样本，干扰比较多，16000多个字体 如果每种字体生成10000张，就需要1.6亿张图片了 麻烦问下有没有更简便的方法

16000种字体，不能根据应用场景拆分为几个模型进行训练吗？

[mengpengfei]

生成的英数样本，干扰比较多，16000多个字体

你这个任务比较复杂，我也在做一个OCR项目，字体也就几十种，我样本4000多万，是可以收敛的。 可能我加的干扰没有你的。 16000种字体，这个任务我没信心做好，样本类内差异可能会大于类间差异。 字体就几十种就要4000多万样本，看来我这个没发弄了

你感觉 这个如果跑一亿次迭代有没有可能收敛

[prfans]

生成的英数样本，干扰比较多，16000多个字体

你这个任务比较复杂，我也在做一个OCR项目，字体也就几十种，我样本4000多万，是可以收敛的。 可能我加的干扰没有你的。 16000种字体，这个任务我没信心做好，样本类内差异可能会大于类间差异。 字体就几十种就要4000多万样本，看来我这个没发弄了

样本一般是多了好，我看了英文的有些字体，平常几乎用不到。如果你按照我这种方式进行增广，确实一般机器也带不动。

[prfans]

生成的英数样本，干扰比较多，16000多个字体

你这个任务比较复杂，我也在做一个OCR项目，字体也就几十种，我样本4000多万，是可以收敛的。 可能我加的干扰没有你的。 16000种字体，这个任务我没信心做好，样本类内差异可能会大于类间差异。 字体就几十种就要4000多万样本，看来我这个没发弄了

你感觉 这个如果跑一亿次迭代有没有可能收敛

我觉得不太可能收敛。就没有收敛的迹象吧，一般前面收敛会快，后面收敛会慢，我猜你这个如果收敛也在几十亿迭代。

[prfans]

生成的英数样本，干扰比较多，16000多个字体

你这个任务比较复杂，我也在做一个OCR项目，字体也就几十种，我样本4000多万，是可以收敛的。 可能我加的干扰没有你的。 16000种字体，这个任务我没信心做好，样本类内差异可能会大于类间差异。 字体就几十种就要4000多万样本，看来我这个没发弄了

你感觉 这个如果跑一亿次迭代有没有可能收敛

我觉得你用目标检测算法比LSTM算法好使。

[mengpengfei]

目标检测比resnet或者densenet 这种cnn准确度高吗？

[prfans]

目标检测比resnet或者densenet 这种cnn准确度高吗？

你这个字体比较多，用这种循环神经网络，我感觉很难收敛。

[Ryansanity]

您好 请问一下 标题上的check failed是怎么解决的？？