牧野的博客

1. 安装依赖项 1 sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler2 sudo apt-get install --no-install-recommends libboost-all-dev3 sudo

LMDB的全称是Lightning Memory-Mapped Database(快如闪电的内存映射数据库)，它的文件结构简单，包含一个数据文件和一个锁文件：LMDB文件可以同时由多个进程打开，具有极高的数据存取速度，访问简单，不需要运行单独的数据库管理进程，只要在访问数据的代码里引用LMDB库，访问时给文件路径即可。让系统访问大量小文件的开销很大，而LMDB使用内存映射的

caffe.cpp中的train函数内声明了一个类型为Solver类的智能指针solver：// Train / Finetune a model.int train() {…… shared_ptr > solver(caffe::SolverRegistry::CreateSolver(solver_param));…… }之后调用Solver

solver.cpp中的Solver提供了执行模型训练的入口，在caffe.cpp中train函数的最后通过 solver->Solve()调用：template void Solver::Solve(const char* resume_file) { //检查是否是root_solver，有多个GPU的情况下，允许设置多个solver，GPU间并行工作， //第一个solver设置为

caffe-master/python/draw_net.py 实现绘制caffe中定义的网络模型功能，将.prototxt文件可视化。需要先安装pydot和protobuf工具通过Anaconda安装pydot和protobuf工具：sduo chmod 777 -R ~/anaconda2conda install protobufconda insta

1. 下载cifar-10数据库ciffar-10数据集包含10种物体分类，50000张训练图片，10000张测试图片。在终端执行指令下载cifar-10数据集(二进制文件）：[html] view plain copy print?cd ~/caffe-master  ./data/cifar

caffe.cpp文件完成对网络模型以及模型配置参数的读入和提取，提供了网络模型训练的入口函数train和对模型的测试入口函数test。文件中使用了很多gflags和glog指令，gflags是google的一个开源的处理命令行参数的库，glog是一个有效的日志记录工具。补充一点查询GPU设备信息的知识：CUDA C中的cudaGetDeviceProperties函数可以

blob是caffe中基本的数据存储单元，可以用来存储图像数据，网络中的中间数据变量，各层的输入和输出，以及反向传播中的梯度等。

SyncedMemory类主要负责在主机（CPU）和设备（GPU）之间管理内存分配和数据同步工作，封装了CPU和GPU之间的数据交互操作。补充一点GPU的相关知识：对CUDA架构而言，主机端的内存被分为两种，一种是可分页内存（pageable memroy）和页锁定内存（page-lock或 pinned）。可分页内存是由操作系统API malloc()在主机上分配的，

1.   caffe-master文件夹权限修改下载的caffe源码编译的caffe-master文件夹貌似没有写入权限，输入以下命令修改：sudo chmod -R 777 ~/caffe-master/2.   下载mnist数据库cd ~/caffesduo ./data/mnist/get_mnist.shcaffe中的./data/mnist

mnist数据库可以通过caffe里的get_mnist.sh文件下载，路径是： caffe-master/data/mnist/get_mnist.sh，get_mnist.sh内容如下：#!/usr/bin/env sh# This scripts downloads the mnist data and unzips it.DIR="$( cd "$(dirname "$0")"