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。
Caffe中的网络都是有向无环图的集合,可以直接定义:
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:
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:
为什么要用Caffe?
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+。
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