《深度学习——实战caffe》——caffe图形化操作工具digits的安装与运行

最新推荐文章于 2025-04-24 17:46:29 发布

频率52HZ

最新推荐文章于 2025-04-24 17:46:29 发布

阅读量370

点赞数

分类专栏：深度学习 caffe

深度学习同时被 2 个专栏收录

101 篇文章

订阅专栏

caffe

51 篇文章

订阅专栏

因为我的电脑没有显卡，所以先转载作者的文章，留作以后参考使用：

nvidia digits是一款web应用工具，在网页上对caffe进行图形化操作和可视化，用于caffe初学者来说，帮助非常大。

不过有点遗憾的是，据nvidia官方文档称，digits最佳支持系统是ubuntu 14.04，其它的系统效果如何，就不得而知了。

一、安装digits 3.0

digits是运行在cuda和caffe基础上的，所以要先配置好cuda+caffe那是毫无疑问的了。还不会配置的，请参考：Caffe学习系列(1)：安装配置ubuntu14.04+cuda7.5+caffe+cudnn

打开一个终端，依次运行下列命令：

一、安装digits 3.0

打开一个终端，依次运行下列命令：

cd

sudo -s

进入当前用户根目录，并切换到超级用户（符号由$变成#，不用每句都输sudo)

CUDA_REPO_PKG=cuda-repo-ubuntu1404_7.5-18_amd64.deb &&
wget http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1404/x86_64/$CUDA_REPO_PKG &&
sudo dpkg -i $CUDA_REPO_PKG

接着,

ML_REPO_PKG=nvidia-machine-learning-repo_4.0-2_amd64.deb &&
wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1404/x86_64/$ML_REPO_PKG &&
sudo dpkg -i $ML_REPO_PKG

apt-get update

apt-get install digits

ok,保持网络通畅，慢慢安装吧！

二、运行digits

默认情况下，digits的安装目录为 /usr/share/digits

安装完成后，打开浏览器，地址栏输入 http://localhost/ 就可以了，就是这么简单。

更强悍的是：在局域内的其它机子上，也可以用浏览器访问，只是localhost变成了主机 ip地址。很多人喜欢在windows系统上远程连接linux来执行caffe。现在好了，不需要远程连接了，只需要访问一个网站就可以了。。。还有谁！！！！

三、运行mnist实例

现在来运行一个实例：mnist(名符其实的helloworld)

原始数据需要的是图片，但网上提供的mnist数据并不是图片格式的数据，因此我们需要将它转换成图片才能运行。

digits提供了一个脚本文件，用于下载mnist, cifar10 和cifar100 三类数据，并转换成png格式图片。文件路径为：

/usr/share/digits/tools/download_data/main.py

我们先在当前用户的根目录下，新建一个mnist文件夹用来保存mnist图片。

# cd 
# mkdir mnist

然后执行脚本

# /usr/share/digits/tools/download_data/main.py mnist ~/mnist

main.py带两个参数，第一个为数据集名称（可设置为mnist, cifar10或cifar100)，第二个为输出路径（~/mnist)

执行成功后，会在mnist文件夹下，生成两个文件夹（train文件夹和test文件夹），每个文件夹下面就是我们需要的图片(10类分别放在10个子文件夹内），同时还生成了对应在图片列表文件train.txt和test.txt

接下来，在浏览器上运行digits, 点击左边Dataset模块的"Image"按钮选择“classification", 创建一个dataset

在这个页面的左边，可以设置图片是彩色图片还是灰度图片，如果提供的原始图片大小不一致，还可用Resize Transformation功能转换成一致大小。从页面中间可以看出，系统默认将训练图片中的25%取出来作为验证集（for validation)。

如果想把用来测试的图片，也生成lmdb, 则把“ separate test image folder" 这个选项选上。

全部设置好后，点击"create" 按钮，开始生成lmdb数据。

注意左上角的Job Directory(工作目录），生成的lmdb文件就放在这个目录下面，大家最好打开这个目录去看看，看一下生成了些什么文件，了解一下运行原理。

在这个界面，我们还可以可视化查看训练和测试的图片，如下图：

train.txt里面存放的是所有训练图片的列表清单，柱状图清晰地显示了10类样本各自的数量。点击" Explorer the db” 即可查看图片。

最后，点击最左上角“ DIGITS" 链接回到网站根目录。

经过前面的操作，我们就把数据准备好了。

四、训练一个model

右击右边Models模块的” Images" 按钮，选择“classification"

在打开页面右下角可以看到，系统提供了一个caffe model,分别为LeNet, AlexNet, GoogLeNet, 如果使用这三个模型，则所有参数都已经设置好了，就不用再设置了。

在下面，系统为我们列举出了本机所带的显卡，我们可以选择其中一块进行运行。

在最下面，输入一个model name, 就可以点击create 按钮了。如果有些选项不对，会有错误提示，很人性化。

在训练过程页面，左上角显示了生成的配置文件名称（放在job目录文件下，默认路径为：/usr/share/digits/digits/jobs/），运行过程中保存的caffemodel快照也保存在这个目录下面。

页面中间显示了训练和测试的数据信息，右面显示了训练所用的时间和gpu使用情况，下面就是一些实时化图表,可以看到训练阶段的loss, 测试阶段的loss和accuracy,相当方便，甚至还可以看到学习率的变化情况，吃惊吧！

模型训练好后，直接就可以在下面进行测试了。

五、测试新来的图片

将页面拖到最下面，选择Upload imager按钮，加载一幅测试图片。在 /home/username/mnist/test/ 下面有大量的测试图片，随便选一张就可以了。

也可以通过在Image URL方框里，输入一张网上的图片地址来进行测试。

加载好测试图片，在 Show visualizations and statistics 选择模式框上点上勾。

点击”Classify One" 按钮就可以开始测试了。

如果你不是对一张图片进行测试，而是一个测试集，则是在" Upload Image List"这个地方，选择测试图片的列表清单文件（如 val.txt)

系统会弹出一个新的页面，显示top-5的分类情况，同时digits还提供了测试数据与权值的可视化和统计信息。