服务器上Caffe安装及使用简介

一.caffe安装流程：

1、下载并安装依赖项。

2、将anaconda/cuda等路径加入你自己用户的bash信息：

执行vim ~/.bashrc.

修改如下：

# User specific aliases and functions

exportPATH=/usr/local/cuda/bin:/usr/bin/anaconda2/bin:$PATH

export LD_LIBRARY_PATH=/usr/local/cuda/lib64${LD_LIBRARY_PATH:+:

${LD_LIBRARY_PATH}}:/usr/bin/anaconda2/lib

exportPKG_CONFIG_PATH=/usr/bin/anaconda2/lib/pkgcondig:$PKG_CONFIG_PATH

exportCUDA_HOME=/usr/local/cuda

保存修改后source ~/.bashrc

3. 下载caffe（https://github.com/BVLC/caffe）并解压（也可在服务器已有的目录下拷贝）

4、进入caffe目录（cd caffe）

执行 cp Makefile.config.example Makefile.config

vim Makefile.config

进入文档后执行如下操作：

1）开放USE_CUDNN

2）注释CUDA_ARCH后三行，新版不支持

3）修改BLAS为mkl

4）将所有Python依赖项的默认引用库注释掉，去掉ANACONDA依赖项前的注释，引用Anaconda，修改ANACONDA_HOME为/usr/bin/anaconda2（此处为自己的anaconda路径），并将PYTHON_LIB进行如下修改。

5、编译make all，等待安装完成

二.执行手写数字示例流程：(在caffe目录下执行)

1、下载mnist数据集:

执行cd data/mnist

./get_mnist.sh

2、转换mnist数据集格式为LMDB格式（先返回caffe目录下）

执行 ./examples/mnist/create_mnist.sh

3、训练模型

执行

./build/tools/caffetrain --solver=examples/mnist/lenet_solver.prototxt

4、测试（识别手写数字）

执行./build/examples/cpp_classification/classification.bin

得：

为方便看，改写为如下格式：

$./build/examples/cpp_classification/classification.bin

Usage:./build/examples/cpp_classification/classification.bin

deploy.prototxt   // 模型描述文件

network.caffemodel // 模型权值文件

mean.binaryproto   //图像均值文件

labels.txt        // 图像类别标签信息

img.jpg           // 输入待分类图像

       接下来准备这几个文件：

  1）模型描述文件（将lenet_train_test.prototxt复制一份修改如下）

cp./examples/mnist/lenet_train_test.prototxt ./examples/mnist/classificat_net.prototxt

vim./examples/mnist/classificat_net.prototxt

 

// 将训练和测试用的mnist层删除，添加以下层

name: "LeNet"

layer {

 name: "data"

  type: "Input"

 top: "data"

 input_param { shape: { dim: 1 dim: 1 dim: 28 dim: 28 } }

}

......

// 中间的模型不改动，省略

......

// 将accuracy层和loss层删除，添加以下层

layer {

 name: "prob"

  type: "Softmax"

 bottom: "ip2"

 top: "prob"

}

 

2）权值描述文件

训练好网络后examples/mnist/目录下就会会有lenet_iter_10000.caffemodel这个文件。

3）图像均值文件

Caffe框架为我们提供了一个计算均值的文件compute_image_mean.cpp，放在caffe根目录下的tools文件夹里面。编译后的可执行体放在 build/tools/ 下面，我们直接调用就可以了。

执行build/tools/compute_image_meanexamples/mnist/mnist_train_lmdb examples/mnist/mean.binaryproto

带两个参数：第一个参数：examples/mnist/mnist_train_lmdb，表示需要计算均值的数据，格式为lmdb的训练数据；第二个参数：examples/mnist/mean.

binaryproto，计算出来的结果保存文件。

4）标签文件（新建label.txt，每行一个数字，0到9）

执行 cd ./examples/mnist

vim label.txt

5）输入待分类图像（此处我是用画图工具画的并导caffe/examples/mnist/目录下）

6）开始测试(cd到caffe目录下)

./build/examples/cpp_classification/classification.bin \

examples/mnist/classificat_net.prototxt \

examples/mnist/lenet_iter_10000.caffemodel \

examples/mnist/mean.binaryproto examples/mnist/label.txt \

examples/mnist/3.png

测试结果如下（结果显示图片中数字为5，此处识别错误）：