caffe-windows怎么编译python基础教程pdf

来源：蜘蛛抓取(WebSpider) 时间：2017-10-22 10:15 标签： python基础教程pdf

版权声明：本文为博主原创文章，未经博主允许不得转载。 /u/article/details/

刚刚进入深度学习的这个坑，听说深度学习都用caffe这个框架，就马不停蹄的去搭建caffe框架，结果搞了一个星期，在win7上配置的道路一波三折，在此，特写本次博客让后面进坑的朋友少走点弯路，造福社会！！本文在windows下使用visual

首先让大家看看我的笔记本配置，很渣很渣，所以没法用gpu，只能勉强的用意cpu。

通过GitHub管理项目非常方便，可以自己通过VS团队资源管理器进行链接代码，牛人修改里面的东西也可以提交上去。当时我这里是直接下载caffe-master.zip的包的方式，然后直接解压出来，可以看到里面有28个文件，共包含16个项目：

（2）如果要用GPU计算，需要设置<CudaArchitecture>，我显卡是520所以只能设置低运行速度的：compute_30 和sm_30（这个根据你自己的显卡计算能力确定, 注意CUDA7.5已经不支持计算能力小于30的显卡了）

 （3）配置python安装命令的时候，一定要记得是用管理员身份运行，否则会出现很多不必要的错误情况。

根据需要，我的配置如下图：



（1）libcaffe在编译前先设置资源引用路径，点击项目右键-》属性-》配置属性-》c/c++，【附加包含目录中】中加入python的include路径，我这是D:\Python27\include，如下图：

（2）caffe在编译前先设置资源引用路径，点击项目右键-》属性-》配置属性-》c/c++，【附加包含目录中】加入python的include路径，我这是D:\Python27\include，同时，在链接器中的【附加库目录】中加入python的libs路径，我这里是D:\Python27\libs，如下图：

然后编译，出现了很多不同的错误，下面我列举下：


（2）如果有出现这样的错误，右击项目，属性，在C/C++那里把treat warning as error设为no，再重新编译一次，就完成编译了。

（4）报错“error C2220: 警告被视为错误 - 没有生成“object”文件”，解决方法是用vs2013打开这里报错的cpp，然后点击保存即可。

（5）解决方案的16个项目中libcaffe和test_all没有加载成功。不过不影响，先把编译器切换到Release x64.然后点击本地windows调试器，nuget会先下载安装需要的一些库文件，下载完后后继续编译操作，中间可能会出现一些报错 
在解决方案后中右击每一个项目，属性->C/C++，把“警告等级”调整为等级3，把“将警告视为错误”改成否。

设置一下运行项，解决方案'caffe'->属性


或者下面直接单启动项目是caffe也行，不过最好改一下，原因相信玩过VS的都清楚，如果是单启动项目，那么在你重新编译工程的时候，只会运行次单启动项目，其它项目不会运行，这就是为什么很多人编译以后发现Release或者Debug文件夹下只有caffe.exe而没有conver_imageset.exe等可执行文件的原因。

（7）libcaffe库有问题，不识别什么的，解决办法，重新生成就可了

 （五）编译完成后检查

如果编译成功了，会在caffe-master同路径下生成NugetPackages文件夹，同时在caffe-master文件夹下生成Build文件夹，在编译生成NugetPackages的文件夹的时候，我是开了VPn生成的，如果不开VPN，貌似时间比较久，几个小时吧。至于其中原因，听说NugetPackages这个被墙了，当然我也只是听说，具体的不清楚

一个都不能少，如果少了的话，可能是nuget通信问题，多编译几次就下载完了。

 （2）Build文件夹下的内容，一定有caffe.exe文件，不然说明没编译成功

（3）编译成功后的界面是这样的


不懂的可以加我的QQ群： （深度学习语音识别方向 

）欢迎你的到来哦，看了博文给点脚印呗，谢谢啦~~

摘要：Caffe是一个清晰而高效的深度学习框架，本文详细介绍了caffe的优势、架构，网络定义、各层定义，Caffe的安装与配置，解读了Caffe实现的图像分类模型AlexNet，并演示了CIFAR-10在caffe上进行训练与学习。

是一个清晰而高效的深度学习框架，其作者是博士毕业于UC Berkeley的 ，目前在Google工作。

  1. 上手快：模型与相应优化都是以文本形式而非代码形式给出。
    Caffe给出了模型的定义、最优化设置以及预训练的权重，方便立即上手。
  2. 速度快：能够运行最棒的模型与海量的数据。
  3. 模块化：方便扩展到新的任务和设置上。
    可以使用Caffe提供的各层类型来定义自己的模型。
  4. 开放性：公开的代码和参考模型用于再现。
  5. 社区好：可以通过BSD-2参与开发与讨论。

Caffe中的网络都是有向无环图的集合，可以直接定义： 

数据及其导数以blobs的形式在层间流动。

Caffe层的定义由2部分组成：层属性与层参数，例如

这段配置文件的前4行是层属性，定义了层名称、层类型以及层连接结构（输入blob和输出blob）；而后半部分是各种层参数。


Blob是用以存储数据的4维数组，例如

网络参数的定义也非常方便，可以随意设置相应参数。

甚至调用GPU运算只需要写一句话：

Caffe的安装与配置

Caffe需要预先安装一些依赖项，首先是CUDA驱动。不论是CentOS还是Ubuntu都预装了开源的nouveau显卡驱动（SUSE没有这种问题），如果不禁用，则CUDA驱动不能正确安装。以Ubuntu为例，介绍一下这里的处理方法，当然也有其他处理方法。

在Caffe安装目录之下，首先获得MNIST数据集：

让Caffe生成的数据集能在Theano上直接运行

不论使用何种框架进行CNNs训练，共有3种数据集：

  • Test Set：用于测试网络训练完成后的最终正确率
  • 它们都是键/值对（Key/Value Pair）嵌入式数据库管理系统编程库。
  • 虽然lmdb的内存消耗是leveldb的1.1倍，但是lmdb的速度比leveldb快10%至15%，更重要的是lmdb允许多种训练模型同时读取同一组数据集。
  • 因此lmdb取代了leveldb成为Caffe默认的数据集生成格式。

Protocol Buffer是一种类似于XML的用于序列化数据的自动机制。

要parse（解析）一个protobuf类型数据，首先要告诉计算机你这个protobuf数据内部是什么格式（有哪些项，这些项各是什么数据类型的决定了占用多少字节，这些项可否重复，重复几次），安装protobuf这个module就可以用protobuf专用的语法来定义这些格式（这个是.proto文件）了，然后用protoc来编译这个.proto文件就可以生成你需要的目标文件。
想要定义自己的.proto文件请阅读：

最后一个参数就是你的.proto文件完整路径。

  1. 为什么要用Caffe？

    • 运算速度快。简单 友好的架构 用到的一些库：
  2. lebeldb(数据存储)： 是一个google实现的非常高效的kv数据库，单进程操作。

  1. 预处理图像的leveldb构建
    输入：一批图像和label （2和3）
  2. train/ （此目录放处理的jpg或者其他格式的图像)
  3. 输出的leveldb文件夹的名字

Caffe深度学习之图像分类模型AlexNet解读

在imagenet上的图像分类challenge上Alex提出的alexnet网络结构模型赢得了2012届的冠军。要研究CNN类型DL网络模型在图像分类上的应用，就逃不开研究alexnet，这是CNN在图像分类上的经典模型（DL火起来之后）。

在DL开源实现caffe的model样例中，它也给出了alexnet的复现，具体网络配置文件如下

接下来本文将一步步对该网络配置结构中各个层进行详细的解读（训练阶段）：

从计算该模型的数据流过程中，该模型参数大概5kw+。





    2. 然后出现类似以下的信息：这是搭建模型的相关信息

    其中每100次迭代次数显示一次训练时lr(learningrate),和loss（训练损失函数），每500次测试一次，输出score 0（准确率）和score 1（测试损失函数）

    然后，这个模型就可以用来运行在新数据上了。

    可以看看CPU和GPU训练的差别。

    主要资料来源：caffe官网教程

我要回帖

更多关于 python基础教程pdf 的文章

 

随机推荐