Caffe简明教程0：文章列表

最新推荐文章于 2025-11-25 14:31:30 发布
原创 最新推荐文章于 2025-11-25 14:31:30 发布 · 2.4k 阅读 · 20 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#Caffe教程 #caffe深度学习 #深度学习 #cnn框架 #caffe安装

本系列教程涵盖Caffe从安装到实战的全过程，包括CUDA及cuDNN配置、Caffe搭建及MNIST数据集上的首个模型训练等内容。
Keras实例教程(1)
白马负金羁
10-29 1万+
Keras是一个高层神经网络API，它由纯Python编写而成并基Tensorflow和Theano以后端。用Keras来构建深度神经网络模型是一件非常简单和直观的事情，本文是Keras系列教程中的第1篇，主要通过一个简单的线性回归的例子来演示Keras搭建NN的四个主要步骤
机器学习(Machine Learning)与深度学习(Deep Learning)资料汇总
ZhangPY的专栏
02-28 7613
《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. 《Deep Learning in Neural Networks: An Overview》 介绍:这是瑞士人工智能实验室Jurgen Schmidhuber写的最
Caffe简明教程1：Caffe简介
请叫我AXin
02-06 5519
您可以查看所有文章的索引：Caffe简明教程0：文章列表 1.1 简介（Introduction） Caffe是一个很常用的深度学习框架，官网：http://caffe.berkeleyvision.org/。 在我个人的经历中，经常遇到论文作者在学术论文中使用Caffe来作为实验框架。目前，Caffe由伯克利AI研究所(BAIR)以及开源社区成员进行开发和维护。其原始作者是贾扬清。
Caffe简明教程2：安装Caffe的第一步-安装CUDA
请叫我AXin
02-06 4463
您可以查看所有文章的索引：Caffe简明教程0：文章列表 本文介绍如何在 Ubuntu16.04 上安装 CUDA8.0。 几点说明： 如果需要GPU加速的话，安装Caffe前需要安装CUDA8.0以及cuDNN5.1。 我使用的操作系统是Ubuntu 16.04 LTS，如果安装过程中遇到任何问题，请加群（博客左上角）讨论。 如果你想在其他操作系统上安装Caffe，请参考官方文档。
Caffe简明教程4：安装Caffe的第三步-安装Caffe
请叫我AXin
02-08 3996
您可以查看所有文章的索引：Caffe简明教程0：文章列表 本文介绍在已安装 CUDA8.0 及 cuDNN5.1 的前提下安装Caffe 1. 下载Caffe 下载caffe很简单，从GitHub仓库克隆即可（仓库地址：https://github.com/BVLC/caffe），输入下面的命令，克隆Caffe到本地： $ cd $ git clone https://gi...
Caffe简明教程5：训练你的第一个Caffe模型-MNIST分类器
请叫我AXin
02-07 5362
您可以查看所有文章的索引：Caffe简明教程0：文章列表 如果你已经根据前面几篇文章成功地编译了Caffe，那么现在是时候训练你的第一个模型了。我准备借用Caffe官网的LeNet例子来写这篇文章，您也可以访问原始的文档：Training LeNet on MNIST with Caffe Caffe在编译完成之后，在caffe根目录下有个examples文件夹，里面包含了很多Caf
Caffe简明教程3：安装Caffe的第二步-安装cuDNN
请叫我AXin
02-06 3071
您可以查看所有文章的索引：Caffe简明教程0：文章列表 本文介绍安装完CUDA之后，如何安装用于GPU深度学习加速的cuDNN。 1. 注册成为NVIDIA Developer 下载cuDNN需要注册成为英伟达开发者，注册地址：https://developer.nvidia.com/cudnn，打开后点击右上角的Join，在弹出来的窗口中进行注册。 2. 下载cuDNN
ubuntu安装caffe
朗云星空
02-07 1998
Caffe已经是第三次安装配置了，为什么是第三次呢？因为我实在是低估了深度学习对于硬件的要求。第一次我在自己笔记本上配置的单核，CPU only ...  结果是，样例数据跑了4小时，这还怎么玩？第二次在台式机上，因为台式机比较low，I5处理器4核，没有NVIDIA的GPU。我把别人训练好的模型下载下来，然后自己测试，发现真的成功了，心里小激动~ 然而，当我自己训练模型时，我训练7天..... 
机器学习(Machine Learning)&深度学习(Deep Learning)资料
热门推荐
weixin_30756499的博客
07-07 1万+
##机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 1)---#####注:机器学习资料[篇目一](https://github.com/ty4z2008/Qix/blob/master/dl.md)共500条,[篇目二](https://github.com/ty4z2008/Qix/blob/master/dl2.md)开始更新...
鱼类识别系统【最新版】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积神经网络算法
2301_78372746的博客
11-24 1520
鱼类识别系统，基于TensorFlow搭建卷积神经网络算法，通过收集了包括‘墨鱼’、‘多宝鱼’、‘带鱼’、‘石斑鱼’等在内的30种鱼类图像数据集进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。登录系统后可发布、查看、编辑文章，创建文章功能中集成了markdown编辑器，可对文章进行编辑。
MixFormer: A Mixed CNN–Transformer Backbone
最新发布
医学图像分割女研一枚~兴趣是JAVA学习；关于synapse数据集的分割、可提供创新与指导、欢迎访问！
11-25 704
​ 尽管基于自注意力机制的Transformer模型近年来通过建模长程语义依赖关系推动了医学影像分析的发展，但其在捕捉局部空间细节方面的能力仍逊于卷积神经网络（CNN）。本研究提出了一种新型分割网络（SEG），其核心是基于CNN-Transformer混合架构（MixFormer）的特征提取主干网络，旨在提升医学图像分割性能。MixFormer在网络下采样过程中有机融合了Transformer的全局信息建模能力和CNN的局部特征提取优势。
Python模型优化实战：深度学习加速与压缩技巧
我是 二川兄，对Web开发、GIS开发、3D模型、机器学习、面试技巧等方面都有一些涉猎~ 欢迎您加入技术交流圈！你可以在我的文章末尾找到我~
11-21 1976
Python模型优化实战：深度学习加速与压缩技巧
循环神经网络详解（五）：深层 RNN - 层次的艺术
limenga102的专栏
11-25 35
层次化思维： 通过多个抽象层次逐步理解序列数据。功能特化： 每层专注于特定级别的模式识别。渐进抽象： 从具体到抽象的特征学习过程。
交通标志识别系统【最新版】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积神经网络算法
2301_78372746的博客
11-22 650
交通标志识别系统，本项目基于TensorFlow框架，构建了一套完整的交通标志识别系统。系统采用卷积神经网络（CNN）算法，针对40种常见交通标志（包括“停车避让”“减速让行”“限速15千米”“注意行人”“禁止左转弯”等）构建数据集，通过多轮迭代训练，最终获得高精度识别模型，并实现了基于Web的可视化操作平台。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。
时间序列预测2025：Python中Prophet与LSTM对比分析
我是 二川兄，对Web开发、GIS开发、3D模型、机器学习、面试技巧等方面都有一些涉猎~ 欢迎您加入技术交流圈！你可以在我的文章末尾找到我~
11-22 3204
时间序列预测2025：Python中Prophet与LSTM对比分析
循环神经网络详解（二）：LSTM（长短时记忆网络）
limenga102的专栏
11-25 134
理论贡献：成功解决了RNN的长期依赖问题引入了门控机制的思想为序列建模提供了强大的基础架构实践影响：在多个领域达到state-of-the-art性能推动了深度学习在序列任务中的应用启发了后续的门控架构设计从简单开始：首先尝试单层LSTM，根据需要增加复杂度精心初始化：特别注意遗忘门的偏置初始化监控训练：密切关注梯度范数和门激活 patterns正则化策略：合理使用Dropout和权重衰减学习率调度：使用学习率衰减或余弦退火。
【红外小目标检测实战】Yolov11加入SPDConv,HDC,ART等模块
AutumnorLiu的博客
11-21 479
本文针对红外微小目标检测中传统下采样方法导致的信息丢失问题，提出结合SPDConv和HDC的优化方案。SPDConv通过空间到深度转换替代传统下采样，在减少分辨率的同时保留更多特征信息。实验结果显示，优化后模型参数量从19M降至6.9M，召回率从0.59提升至0.75，准确率也略有提高，但距离0.9的目标仍有差距。虽然改进效果有限，但验证了SPDConv在保留微小目标特征方面的潜力。
水果识别系统【最新版】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积神经网络算法
2301_78372746的博客
11-21 1858
水果识别系统，通过TensorFlow搭建卷积神经网络算法，并收集了10种常见的水果数据集（‘哈密瓜’, ‘椰子’, ‘樱桃’, ‘火龙果’, ‘猕猴桃’, ‘红苹果’, ‘芒果’, ‘葡萄’, ‘西瓜’, ‘香蕉’），对其进行多轮迭代训练，最后得到了一个精度较高的模型，并搭建Web可视化操作平台。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值