记录学习的技能和遇到的问题
MatConvNet学习笔记
长期招聘计算机视觉/深度学习等方向的工程师或实习生。感兴趣的话，请发送邮件，可以内推。
MatConvNet是VLFeat的一部分，是卷积神经网络（CNN）的一个实现。既可以使用matlab编程，又能使用GPU加速，是一个不错的CNN库。
下载MatConvNet工具箱
我下载的版本是 matconvnet-1.0-beta13.tar
将压缩文件解压到 matconvnet-1.0-beta13.tar中
编译前，Matlab应该已经绑定C++编译器了。否则，会出错。Windows下安装Visual Studio即可，Linux下有自带的GCC
在Matlab中输入mex -setup，绑定C++编译器
打开Matlab，将工作路径切换到…/matconvnet-1.0-beta13.tar
在Matlab中执行命令： addpath matlab。添加搜索路径。
在Matlab中执行命令：vl_compilenn。编译工具箱。
在Matlab中执行命令：vl_setupnn。设置工具箱。
至此，工具箱已经安装完毕。
*在Matlab中执行命令：vl_test_nnlayers。测试
没有更多推荐了，
加入CSDN，享受更精准的内容推荐，与500万程序员共同成长！Matconvnet学习笔记
　　Introduction to Matconvnet
　　MatConvNet是实现用于计算机视觉领域的卷积神经网络(CNN)的MATLAB工具箱。自从取得突破性工作以来,CNN在计算机视觉领域有一个重大影响，特别是图像理解，基本上取代了传统图像表示。有许多其他机器学习、深度学习和CNN开源库的存在。一些最受欢迎的:CudaConvNet ，Torch， Theano,Caffe等。MatConvNet是为研究人员提供一个尤其是友好和高效使用的环境，它其中包含许多CNN计算块，如卷积，归一化和池化等等，他们中的大部分是使用C++或CUDA编写的，这意味着它允许使用者写新的块来提高计算效率。MatConvNet可以学习AlexNet等大型深度CNN模型，这些强大的模型的Pre-trained版本可以从MatConvNet主页下载。虽然强大,但是MatConvNet易于使用和安装。实现是完全独立的,只需要MATLAB和兼容的c++编译器(使用GPU代码免费提供CUDA
DevKit和合适的NVIDIA GPU)。
　　[注]：我下载的版本是matconvnet-1.0-beta19，这个在可以从MatConvNet主页下载，下载网址如下：
　　一、Getting started
　　编译MatConvNet的CPU版本
　　首先通过一个简单但是完整的例子看一下CNN是如何完成下载MatConvNet,编译,下载pre-trained CNN 模型，完成MATLAB图片分类的过程。代码可以从MatConvNet主页的获得。
% install and compile MatConvNet (needed once)
untar('http://www.vlfeat.org/matconvnet/download/matconvnet-1.0-beta20.tar.gz') ;
cd matconvnet-1.0-beta20
run matlab/vl_compilenn
% download a pre-trained CNN from the web (needed once)
urlwrite(...
'http://www.vlfeat.org/matconvnet/models/imagenet-vgg-f.mat', ...
'imagenet-vgg-f.mat') ;
% setup MatConvNet
matlab/vl_setupnn
% load the pre-trained CNN
net = load('imagenet-vgg-f.mat') ;
net = vl_simplenn_tidy(net) ;
% load and preprocess an image
im = imread('peppers.png') ;
im_ = single(im) ; % note: 0-255 range
im_ = imresize(im_, net.meta.normalization.imageSize(1:2)) ;
im_ = bsxfun(@minus, im_, net.meta.normalization.averageImage) ;
% run the CNN
res = vl_simplenn(net, im_) ;
% show the classification result
scores = squeeze(gather(res(end).x)) ;
[bestScore, best] = max(scores) ;
figure(1) ; imagesc(im) ;
title(sprintf('%s (%d), score %.3f',...
net.meta.classes.description{best}, best, bestScore));
　　注：1、untar('http://www.vlfeat.org/matconvnet/download/matconvnet-1.0-beta20.tar.gz') 是下载安装包的过程，建议单独下载其ZIP包，解压后放在任意位置，运行程序的时候会通过vl_setupnn()自动添加路径到Matlab中。下载时最好使用浏览器内置的下载器，因为迅雷下载下来的是一个txt文件，还需要转换。
　　　　2、run matlab/vl_compilenn是编译的过程，前提是要求matlab与编译器（VSc++）实现连接，如果没有可以使用mex -setup命令，设置matlab的C++编译器，提示MEX成功，才可以运行example中的示例。这个实际上就是配置Matconvnet的过程，只需要两句话：mex -run
matlab/vl_compilenn
　　　　3、run matlab/vl_setupnn，这句话在运行时总是报错，提示错误使用cd（当然上一句也可能出现这个问题，但我是直接运行的vl_compilenn，所以没出现，嘿嘿），在这里我将这句话改为run(fullfile(fileparts(mfilename('fullpath')),...
　　　　　　'..', 'matlab', 'vl_setupnn.m')) ,当然具体的语句与你所设的路径有关，就没有出现报错了。
　　　　4.net = load('imagenet-vgg-f.mat')这里net就是这个工具库所需要的预训练模型，在这里面链式网络已经架构完成，它的呈现形式是一个结构体，包括两部分，layers（因为这个结构有21层，故包含21个元胞）和meta（包含2个结构体，类别和标准化信息）。
　　　　5、程序的主体代码为vl_simplenn，包括CNN网络的输入输出及调用函数的过程。
　　编译MatConvNet的GPU版本
　　在GPU条件下编译，首先你的显卡得是INVIDA的，并且需要compute compability&2.0，其次一定要考虑版本相互协调的问题，我使用的版本是window7 65bits，vs2013，cuda7.5，MATLAB2014a，显卡是GTX960，compute compability=5.2，关于显卡是否合乎要求，也可以通过下载软件GPU Caps Viewer查看。
　　编译MatConvNet的GPU版本的具体步骤如下：
　　（1）官网下载CUDA 7.5.18、 以及 CUDA_Quick_Start_Guide.pdf，CUDA Toolkit 7.5.18 下载地址：
（2） 直接解压安装，建议采用默认安装的方式，方便MatConvNet按默认方式找到CUDA 编译器‘nvcc’。关于cuda与vs的具体配置，可以参考和
（3） 完成后打开 cuda samples 文件夹下 Samples_vs2013.sln 分别在DEBUG 和Release X64下进行完整编译。编译过程如提示找不到”d3dx9.h”、”d3dx10.h”、”d3dx11.h”头文件，则百度下载DXSDK_Jun10.exe并安装。下载网址 之后再重新编译。
（4） 全部编译成功之后，打开CUDA Samples 文件夹下的 bin/win64/release ,如下图。运行其中的小程序，即可查看GPU CUDA信息。PASS 为通过。
　　（5）安装cudnn-win64-v4.0/or-v3.0，下载网址直接解压到某文件夹下，将cudnn64_4.dll 文件拷贝到 ./matconvnet/Matlab/mex文件夹下即可。
　　（6）编译vl_compilenn程序，注意根据实际情况修改一些信息，大致调用方式为vl_compilenn('enableGpu',true,,'cudaMethod' ,'nvcc','enableCudnn','true','cudnnRoot','local/cuda)，提示mex成功，则证明工作完成一大半了。
　　（7）最后就是运行cnn_cifa.m文件，运行前将程序中 opts.gpuDevice =[]改为opts.gpuDevice =[1]；表示使用GPU显卡运行，运行结果如图
　　可见速度是相当快的！
　　接下来我们介绍一下这个工具库中的一些计算函数，方便大家理解。
　　Conputationnal blocks：实现cnn的计算块
　　一、卷积
　　Y = VL_NNCONV(X, F, B)计算图像堆x的卷积，F是卷积核，B是偏置。X=H*W*D*N, (H,W)是图像的高和宽，D是图像深度（特征频道的数目,例彩色就是3），N是堆中图像的数目。F=FW*FH*FD*K ,(FH,FW)是卷积核的大小，FD是卷积核的深度，须与D一致，或能整除D，K是卷积核的数目。针对一幅图像来说，卷积的公式为:
其中ij分别代表图像的高和宽，d”则代表了卷积核的数目，从而对应d”个输出。
　　[DZDX, DZDF, DZDB] = VL_NNCONV(X, F, B, DZDY)计算映射到DZDY上的块的导数。这是反向传播中应用的梯度计算公式。
　　另外还有一些具体的变量设置。包括Stride=（sh，sw）是步长，即在卷积过程中每次移动的大小，这也决定了最后输出的大小，pad是补0的大小，表示为：
则最终输出的大小为：
　　[注]：1、在Matconvnet中并不区分全连接层和卷积层，而认为前者是后者的一种特殊情况。
　　　　　2、在Matconvnet中有Filter groups（即滤波组）的概念，意思是说vl_nnconv允许对输入x的通道进行分组，且每组应用不同子集的过滤器。groups=D/D',D是图像深度,D'是滤波器的深度，从而第一组可包括输入的1、2，，，D'维度，第二组包括输入的D'+1，，，2D'，以此类推，但输出的大小是不变的。
　　二、卷积转换（反卷积）
　　Y = VL_NNCONVT(X, F, B)计算CNN的卷积转换，即进行卷积的反操作，其输入输出形式与上同。由于卷积支持输入补0输出进行下采样，因此反卷积支持输入上采样输出裁剪。
　　三、空间池化
　　Y = VL_NNPOOL(X, POOL)或Y = VL_NNPOOL(X, [POOLY, POOLX])对输入x的每个通道进行池化操作，池化的方式可以是求patch的最大值或平均值。同卷积相同，池化也支持pad和Stride操作，但pad有时是补负无穷。
　　四、激活函数
　　RELU函数：y = vl_nnrelu(x,dzdy,varargin)，在leak=0时，表达式为
　　Sigmoid函数：out = vl_nnsigmoid(x,dzdy)
　　这里只给出了正向传播时的函数表达式，反向传播的（涉及dzdy）具体表达式可以看程序。
　　五、归一化
　　1、VL_NNNORMALIZE ：CNN Local Response Normalization (LRN)
　　Local Response Normalization是对一个局部的输入区域进行的归一化，从表达式来看，也就是对每一个groups（前文）里的输入的相应子集进行归一化。表达式如下；其中的参数包括PARAM = [N KAPPA ALPHA BETA]
　　其中G（k）是对应通道k的输入相应子集，在程序中定义为 Q(k) = [max(1, k-FLOOR((N-1)/2)), min(D, k+CEIL((N-1)/2))]；
　　2、VL_NNBNORM CNN 实现批次归一化
　　Y = VL_NNBNORM(X,G,B)，这里XY均是4维张量，第4维T表示每批次处理的大小。标准化的表达式为
　　3.VL_NNSPNORM实现空间归一化
　　y = vl_nnspnorm(x, param, dzdy)，PARAM = [PH PW ALPHA BETA]；即对每个通道先进行池化操作，池化的方式为取平均，然后在进行归一化操作。其表达式为
　　4、VL_NNSOFTMAX CNN softmax
　　Y = vl_nnsoftmax(X,dzdY)：在一个groups（前文）中应用softmax函数，softmax函数可以看做一个激活函数和一个归一化操作的联合
　　　六、损失和比较
　　1、 [y1, y2] = vl_nnpdist(x, x0, p, varargin)计算每个向量x与目标x0之间的距离，定义为：
　　2. Y = vl_nnloss(X,c,dzdy,varargin)
---恢复内容结束---
没有更多推荐了，
加入CSDN，享受更精准的内容推荐，与500万程序员共同成长！Window环境MatConvNet安装
Window环境MatConvNet安装
作者：Kindle君
时间：日。
声明：版权所有，转载请联系作者并注明出处
GPU版本Matlab编译
一、准备GPU和C++环境
目录： C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0
根目录：D:\Program Files\MATLAB\matconvnet-1.0-beta24\local\cudnn
子目录：同时将cudnn64_5.dll 复制到 matlab/mex目录下
\cudnn\bin
\cudnn\include
\cudnn\lib
3. 安装VS2013
使用自己的安装包，目的是安装C++编译器
二、安装MatConvNet
主目录： D:\Program Files\MATLAB\matconvnet-1.0-beta24（需要解压两次）
2. 测试C++编译器是否成功安装
添加搜索路径
在主目录下打开matlab,运行addpath matlab。添加搜索路径。
4. 编译工具箱
编译完以后，理论上没问题应该是在安装目录下的mex下，多出一系列的.mexw64 编译文件，（64位系统），如果没有就证明没有编译成功。
step 1. vl_compilenn('enableGpu', true, ...
'cudaRoot', 'C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0', ...
'cudaMethod', 'nvcc', ...
'enableCudnn', true, ...
'cudnnRoot', 'local/cudnn') ;
step 2. 单独运行 vl_compilenn 语句，可能step1，2重合，不过没关系.
a.出现如下Warning：
Warning: CL.EXE not found in PATH. Trying to guess out of mex setup.
& In vl_compilenn&check_clpath (line 580)
In vl_compilenn (line 413)
'cl.exe' is not recognized as an internal or external command,
operable program or batch file.
Error using vl_compilenn&check_clpath (line 591)
Unable to find cl.exe
b.解决办法：
D:\Program Files (x86)\Microsoft Visual Studio 12.0\VC\bin
C:\Program Files (x86)\Microsoft Visual Studio 11.0\VC\bin
都添加到环境变量，具体是哪个起作用不清楚，但是who cares？It works!
vl_compilenn('enableGpu', true, ...
'cudaRoot', 'C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0', ...
'cudaMethod', 'nvcc', ...
'enableCudnn', true, ...
'cudnnRoot', 'local/cudnn') ;
5. 设置工具箱
vl_setupnn 说每次调用的时候，需要·vl_setupnn()，尚未测试，测完再回来改*
测试之前一定记得，先`vl_compilenn('enablegpu',true)`和`vl_setupnn()`编译一下
1.普通测试
cpu模式：运行vl_testnn，返回如下提示，说明正确安装
1x1683TestResult 数组(具有属性):
Incomplete
1683 Passed, 0 Failed, 0 Incomplete.
161.6398 秒测试时间。
gpu模式： vl_testnn(‘gpu’, true)，返回如下：要下载我就不下了
算了，最后结果还是加上来把，不能偷懒：
正在拆解 nnspnorm[dataType=single,device=gpu]
拆解 nnspnorm[dataType=single,device=gpu] 在 0 秒内完成
nnspnorm 在 4.4619 秒内完成
__________
1x3366TestResult 数组(具有属性):
Incomplete
3366 Passed, 0 Failed, 0 Incomplete.
秒测试时间。
2. fast-rcnn目标检测模型
下载模型：http://www.vlfeat.org/matconvnet/models/fast-rcnn-vgg16-pascal07-dagnn.mat
放置目录：D:\Program Files\MATLAB\matconvnet-1.0-beta24\data\models
运行：run examples\fast_rcnn\fast_rcnn_demo.m ,出现如下bug：
run examples\fast_rcnn\fast_rcnn_demo.m
opts.modelPath = paths{ok}
警告: 读取压缩数据时出现意外的文件结尾。
& In fast_rcnn_demo (line 41)
In run (line 96)
In onCleanup/delete (line 60)
In run (line 28)
In onCleanup/delete (line 60)
In run (line 28)
In onCleanup/delete (line 60)
In run (line 28)
解决办法：
模型没下载完，需要重新下载，感谢同届实习生潇潇童鞋的提醒。
下载好之后，先编译CNN，重新运行，出现如下bug，原因显卡内存不够，小小的GTX960，还是2G的显存，我的天哪，真惨!：
运行命令行，查看GPU使用情况，瞬间呵呵！
gpuDevice()
CUDADevice (具有属性):
Name: 'GeForce GTX 960'
ComputeCapability: '5.2'
SupportsDouble: 1
DriverVersion: 8
ToolkitVersion: 7.5000
MaxThreadsPerBlock: 1024
MaxShmemPerBlock: 49152
MaxThreadBlockSize: [1024 1024 64]
MaxGridSize: [2.1475e+09 65535 65535]
SIMDWidth: 32
TotalMemory: 2.1475e+09
AvailableMemory:
MultiprocessorCount: 8
ClockRateKHz: 1228000
ComputeMode: 'Default'
GPUOverlapsTransfers: 1
KernelExecutionTimeout: 1
CanMapHostMemory: 1
DeviceSupported: 1
DeviceSelected: 1
3. 2017CVPR-CFnet端到端目标跟踪demo运行
CFnet是最新的目标跟踪模型，github上有源码和教程，前面的步骤不多赘述，按照作者提供的教程来就行，这里主要介绍一下在运行demo语句之前，需要对Matlab的MatConvnet做哪些操作。
1. 在要运行的文件所在目录的matlab命令行，启动MatConvnet，语句如下： run D:\matconvnet-1.0-beta24.tar\matconvnet-1.0-beta24\matlab\vl_setupnn.m 没有任何提示，说明成功启动
2. 要使用GPU模式，据潇潇说，只需要在安装过程中，运行vl_compilenn('enablegpu',true)即可，也就是说要是之前运行过，那就会默认用GPU运行，有待我这个初学者进一步试验。
3. 配置环境变量
function paths = env_paths_tracking(varargin)
paths.net_base = 'E:\视频组工作计划\kindlehe贺思颖\[2]code\cfnet-master\networks/';
paths.eval_set_base =
'E:\视频组工作计划\kindlehe贺思颖\[2]code\cfnet-master\data/';
paths.stats = 'E:\视频组工作计划\kindlehe贺思颖\[2]code\cfnet-master\data/ILSVRC2015.stats.mat';
paths = vl_argparse(paths, varargin);
4.运行run_cfnet2_evaluation.m即可成功运行
5.切换GPU开关，在tracker.m文件下的net_z = init_net(net_z, p.gpus, p.init_gpu);语句可以看到，将p.gpus=1改为p.gpus=[]，查看运行效率 即可
没有更多推荐了，
加入CSDN，享受更精准的内容推荐，与500万程序员共同成长！Matconvnet 的安装以及使用
是matlab上进行CNN的框架。本文介绍windows下如何安装以及使用它对pre-trained的网络进行finetuning. 这里以win10为例，cuda版本为7.5，cudnn的版本为v3.fine tune的网络VGG-19.
一.matconvnet 安装
1.Precondition: 如果是编译cpu版本的，只需要matlab安装了mex就可以（c与matlab的混编 ，在matlab的commander里输入mex -setup C++搞定）。
如果是编译GPU的话，首先是需要GPU（其实所有独立显卡都可以），然后安装好用于cu文件的编译；如果想使用nvidia正对CNN的加速需要下载cudnn。
下载完自己需要的版本之后就可以在matlab编译安装了。这里只介绍GPU的安装。
以matconvnet的目录作为当前目录，添加matlab路径到查找目录，然后将cudnn文件夹复制到当前目录，整个目录结构如下：
其中finetune目录是我后面finetune用到的，这里主要注意把cudnn(图中是cuda)复制到当前目录。
然后既可以按照的命令进行编译：
gpuDevice()可以查看你的显卡信息，同时可以看cuda toolkit的版本。
vl_compilenn('enableGpu',true,'cudaMethod','nvcc','cudaRoot','C:\ProgramFiles\NVIDIA GPU Computing Toolkit\CUDA\v7.5','enableCudnn',true,'cudnnRoot','cuda')
这里需要把cudaRoot后面的路径换做你自己安装的cuda 路径，cudnnRoot后的路径换为你cudnn的路径。同时不用cudnn的话将后面两项去掉即可。如果在编译cudnn版本的时候提示找不到cudnn.h文件，那多数是路径不对，此时一个有效的办法是将cudnn里面的子目录的文件copy到cuda安装路径（上条命令中的cudaRoot参数）下的对应目录下。
下面就可以进行测试了：
vl_testnn(‘gpu’,true)
这里有个问题就是编译的时候可能会出其他错误，如果是说某个函数的参数不对（too few arguments）这种错误，很有可能是版本问题引起的，建议更换了cudnn版本后重新编译。或者先不用cudnn看是否编译成功。
还遇到一个问题，类似与error using mex cc: unsupported gpu architecture ‘compute_52’,这是因为这个值只能取10倍数，在vl_compilenn里面的cudaArch函数里面将arch_code固定为你自己的GPU的计算能力即可（取最接近的10的倍数，要用字符格式），如下：
function cudaArch = get_cuda_arch(opts)
% --------------------------------------------------------------------
opts.verbose && fprintf('%s:\tCUDA: determining GPU compute capability (use the ''CudaArch'' option to override)\n', mfilename);
gpu_device = gpuDevice();
arch_code = strrep(gpu_device.ComputeCapability, '.', '');
arch_code = '50'%自己添加的
cudaArch = ...
sprintf('-gencode=arch=compute_%s,code=\\\"sm_%s,compute_%s\\\" ', ...
arch_code, arch_code, arch_code) ;
opts.verbose && fprintf(['%s:\tCUDA: cannot determine the capabilities of the installed GPU;' ...
'falling back to default\n'], mfilename);
cudaArch = opts.defCudaA
二 fine tune CNN
如果上面的步骤训练，下面就可以用matconvnet工具包了。examples目录下面有许多很好的例子，墙裂推荐。这里以对VGG-19网络fine tune为例，也就是使用pre-trianed网络，然后用自己的数据进行fine tune，得到针对自己数据集的网络。主要步骤分为：参数设定；准备数据；准备网络；训练网络；部署网络；
run(fullfile(fileparts(mfilename('fullpath')), ...
'..', 'matlab', 'vl_setupnn.m')) ;
opts.dataDir = 'YourDataPath' ;
opts.expDir
= 'YourOutputPath';
opts.modelPath = fullfile('YourModelPath','imagenet-vgg-verydeep-19.mat');
opts.train = struct() ;
opts.train.gpus = [1];
opts.train.batchSize = 40;
opts.train.numSubBatches = 4 ;
opts.contrastNormalization = true;
opts.lite = false ;
if ~isfield(opts.train, 'gpus'), opts.train.gpus = []; end;
opts = vl_argparse(opts, varargin) ;
acc_list = [];
modelPath = ['PATHTOSAVEMODEL'.mat'];
imdbname = ['imdb.mat'];
opts.imdbPath = fullfile(opts.expDir, imdbname);
if exist(opts.imdbPath,'file')
imdb = load(opts.imdbPath) ;
imdb = getEggImdb(opts) ;
net = load(opts.modelPath);
net.layers
= net.layers(1:end-2);
lr = [0.005 0.002];
for i = 1:size(net.layers,2)
if(strcmp(net.layers{i}.type,'conv'))
net.layers{i}.learningRate = lr;
net.layers{end+1} = struct('name','fc8_egg','type', 'conv', ...
'weights', {{0.05*randn(1,1,4096,YOURCLASSNUM, 'single'), zeros(1,YOURCLASSNUM,'single')}}, ...
'learningRate',[0.005 0.002], ...
'stride', [1 1], ...
'pad', [0 0 0 0], ...
'opts',{cell(0,0)}) ;
net.layers{end+1} = struct('type','softmaxloss','opts',{cell(0,0)});
opts.train.train = find(imdb.images.set==1) ;
opts.train.val = find(imdb.images.set==3) ;
[net, info] = cnn_train(net, imdb,opts.iband, @getBatch, ...
'expDir', opts.expDir, ...
opts.train);
net = cnn_deploy(net);
save(modelPath, '-struct', 'net') ;
acc_list(end+1) = test_val_data(modelPath,iband);
function [im, labels] = getBatch(imdb, batch)
im = imdb.images.data(:,:,:,batch) ;
labels = imdb.images.labels(1,batch) ;
if rand & 0.5, im=fliplr(im) ; end
需要注意的是每层的learning rate也是我们可以根据效果调的地方，里面的有几个函数需要自己修改：getEggImdb是根据自己的数据集建立imdb的函数；cnn_deploy是对网络进行部署的函数，也很重要，因为fine tune后的网络不能直接用于测试。这几个文件应该在matconvnet里面都给出来了，可以照着更改，我也把自己的放到上了。
很多细节没来得及深究，多多指点。
Reference:
没有更多推荐了，
加入CSDN，享受更精准的内容推荐，与500万程序员共同成长！Window环境MatConvNet安装
1. 下载MatConvNet
2. 解压安装包并编译
cd matconvnet-1.0-beta24
run matlab/vl_
3.将MatConvNet添加到matlab路径
run matlab/vl_setupnn
4. 测试代码
% Load a model and upgrade it to MatConvNet current version.
net = load('imagenet-vgg-f.mat') ;
net = vl_simplenn_tidy(net) ;
% Obtain and preprocess an image.
im = imread('peppers.png') ;
im_ = single(im) ; % note: 255 range
im_ = imresize(im_, net.meta.normalization.imageSize(1:2)) ;
im_ = im_ - net.meta.normalization.averageI
% Run the CNN.
res = vl_simplenn(net, im_) ;
% Show the classification result.
scores = squeeze(gather(res(end).x)) ;
[bestScore, best] = max(scores) ;
figure(1) ; imagesc(im) ;
title(sprintf('%s (%d), score %.3f',...
net.meta.classes.description{best}, best, bestScore)) ;
1. 安装CUDA8
eg: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0
2. 下载cudnn
在MatConvNet建立目录:
local\cudnn:
bin,include, lib
同时将cudnn64_5.dll 复制到
matlab/mex目录下
3.重新编译：
vl_compilenn('enableGpu', true, ...
'cudaMethod', 'nvcc', ...
'cudaRoot', 'C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0', ...
'enableCudnn', true, ...
'cudnnRoot', 'local/cudnn') ;
4.运行 samples
打开examples/mnist/cnn_mnist.m， 修改opts.train.gpus=[1]；
1. fast-rcnn目标检测模型
下载模型：http:
放置目录：D:\matlab\matconvnet-1.0-beta24\data\models\fast-rcnn-vgg16-pascal07-dagnn.mat
运行：run examples\fast_rcnn\fast_rcnn_demo.m
没有更多推荐了，
加入CSDN，享受更精准的内容推荐，与500万程序员共同成长！