thesby的专栏

平台 Ubuntu14.04LTS       这篇文章主要是讲caffe中的数据存储机制，参考资料是caffe的官网，并且本文也并非深入理解这些东西，更多的是翻译官网上的文档，然后加上自己的理解。Blob是caffe运行过程中很重要的数据包装器，可以在CPU与GPU间传递。Blob数据是一个四维矩阵（Num, Channel, Height, Width），结合图像，很容易理解这个矩阵，

caffe出现这个问题时，总让人摸不着头脑，不知从哪儿开始排查问题。     网上搜索资料，发现有人说是label做得不对，比如只有1没有0。但是这个是问题吗？就不能只有一个标签吗？     不过这种说法是说对了一半。     我是做图像分割时出现这个问题的，caffe用opencv读取图像时，是读取的0–255，这样读取的label也是如此。这下就明白了，caffe如果读到了255，它就认为

caffe 为什么看不到自己定义的输出？因为自己定义的位置不对。比如你用gpu跑的时候，你必须写在 .cu 里面，如果是用cpu跑，那么必须写在 .cpp 里面。一般建议调试的时候用cpu来跑，除非你非常熟悉 CUDA 程序。再就是 caffe 有好几个输出级别，一般的信息输出是 INFO，错误是ERROR，致命错误是FATAL，比如：LOG（INFO） << "loss value is: " <

最近在做图像分割的实验，使用的是CRF as RNN的网络，但是训练起来有些诡异，loss降低得飞快，不一会儿就降一半。然后一直到个位数时，我觉得应该可以test了。然后使用训练好了的模型，用python接口加载，输出结果一看，全是黑的，没有分割。仔细想想，这个loss值这么低，不应该会这样阿！难道是loss计算错了？然后再想想最后loss层的输入，一个是网络的最后计算结果。于是在test中把最后一

论文：http://www.robots.ox.ac.uk/~szheng/papers/CRFasRNN.pdf， CRF as RNN论文的代码在https://github.com/bittnt/caffe/tree/6a29e7c484ed0ef22224e7b7b555fbc5b4045cc3可以找到。 这篇博文主要是记录自己对CRF as RNN中的 MultiStageMeanfi

本来说不再写这种太low的博文，要写点高大上的东西，无奈，有时候一些小工具小技巧还不错，还是希望分享出来。所以就水一篇技术博文吧。本文主要是讲如何在可视化环境下进行caffe的网络设计。如果你有网可用的话，直接进入传送门，接下来的东西与你无关。如果需要在本地使用，就要进行如下操作了。下载https://github.com/ethereon/netscope，不管是直接下载还是git clone。

论文：DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs论文核心：这篇文章主要讲了在做DCNN时遇到的三个挑战以及他们是如何解决的。预习内容：这个论文是做语义分割的，如果没有读过其他的语义分割论文，可能需要先补习一下（传送门）。F

导言搞了一段时间的CUDA程序，虽然也不是写不出复杂程序，但是写个矩阵乘法都要搞个半天，还要担心各种性能瓶颈。不过，还好有cublas，实现了非常多的数学运算，这下子可以好好利用一番。以后再也不用担心自己写的CUDA效率不高了。入门cuBLAS的官方文档再这里，不懂的函数可以查。cublas和matlab非常像，存储数组时，默认是列优先存储，而且是从1开始的。从C转过来，非常不习惯，不过你可以自己设

在windows有很多好用的工具，而且可以用 visual studio 打开 caffe工程，非常方便地查看代码，但是Windows的编译比较麻烦，因为很多的依赖库不好编译。但是，好在caffe里面的Windows分支提供了编译好的依赖库。 关于怎么编译，我在这个 issue 里面提供了，所以这里就不再赘述。 我把编译好的caffe-Windows提供出来吧，大家如果幸运的话，应该可以直接运行

在上一篇博文中已经介绍了很多如何在caffe中使用python 层。有一些人问到如何使用这些层。 首先需要在编译caffe时，允许python layer，在配置文件中设置。 写好自己的层之后，需要 export $PYTHONPATH=./path/to/my_layers_dir:$PYTHONPATH 这样才能找到你的python文件。 然后module这个参数就是你的文件名

今天跑自己做的数据库时出了个问题，一直无法加载图片，网上搜了半天无果，用python检查那个文件也是完全存在的。 接下来就怀疑是不是自己的opencv有问题，但是编译的时候并没有错啊，现在是有点懵了。打开 io.cpp， 看到第80行，也就是一个检查opencv读取是否正常的，无奈。继续看输出日志。我是把所有的caffe输出全部输出至文件的，所以可以选择。于是选择那个找不到的路径，惊奇的发现怎么最后

在自己建立新的caffe层时，出现错误：*** Aborted at 1457505270 (unix time) try "date -d @1457505270" if you are using GNU date ***这个十分怪异的！在BLVC的论坛上也没找到解决办法。 有人说重新编译就好了，我试了也没什么效果。 仔细分析代码，并加了好多LOG(INFO)后，发现问题是出现在使用shuf

使用caffe的python接口时,很多人都会遇到如下问题:from ._caffe import Net, SGDSolver, NesterovSolver, AdaGradSolver, \ImportError: libcaffe.so.1.0.0-rc3: cannot open shared object file: No such file or directory这个错误目前非常普

如何在caffe中自定义网络层尽管Caffe已经为用户提供了相当多的可用的层，但是面对各种各样的深度学习应用，这些层是远远不够的，为此，我们可能需要定义自己的层来达到特定的功能。一般情况下，如果仅仅需要对某个层进行少量的修改，可以直接修改源码中对应的层，然后重新编译。这种方法好处就是不需要去建立新的文件，也不需要修改proto等，但是坏处也很明显，你无法再使用原来的这个层，如果你确实不再用这个层，那

声明:本文转载自summer rain的文章，出于想学习caffe的目的把全文都转载过来了。感谢summer rain的精彩教程。首先，caffe是个啥？ 一个深度学习的框架，C++编写的。用户可独立于代码自定义神经网络，按需调整。可通过CUDA和GPU运算极大提高运算速度，尤其是对图片的处理方面性能卓越。支持CPU和GPU的切换。可用C++，python，matlab等接口。安装什么的，具体见官

平台： Ubuntu14.04LTS         在编译成功后的 ./build/tools/目录下有一个convert_imageset或者convert_imageset.bin，这个工具就是用来将自己的图片数据转换为Caffe所需要的数据格式。但是关于这个工具如何使用，它的源程序中也语焉不详。好吧，我摸索了一天，网上查了各种资料，都无果而终，因为大家都说的是同一个不知道哪位先驱者给出

如何解读Caffe源码导读Caffe是现在非常流行的深度学习库，能够提供高效的深度学习训练。该库是用C++编写，能够使用CUDA调用GPU进行加速。但是caffe内置的工具不一定能够满足用户的所有需求，所以阅读源码并理解它，是很有必要的。 这篇博文不是想把Caffe的所有函数都讲一遍，因为Caffe的源码很大，一本书都不一定能够说清楚。这里我只是说说该怎么去阅读源码，给大家提供一个思路和建议，让大

先直接上编译通过后的结果吧，https://yunpan.cn/cYBjHCwnpRNNX 访问密码 3da5这个caffe-windows是使用Caffe官网上推荐的一个版本，在这里可以下载到。里面也有安装的方法。不过很多人说编译通不过，所以可以直接下载上面链接的里的代码，已经编译好了，可以直接运行的。 平台：windows 10 64 bit

本文转载自http://christopher5106.github.io/deep/learning/2015/09/04/Deep-learning-tutorial-on-Caffe-Technology.html Caffe is certainly one of the best frameworks for deep learning, if not the best.Let’s tr

实验平台： ubuntu 14.04, python2.7, caffe当前最新版有时候我们需要查看、修改caffe的网络参数，苦于caffe本身是c++编写，如果想从c++中提取，明显这个太困难。我们使用python来实现这个，每一步都可以查看参数，所以就容易很多。import sysimport os# Add caffe packagecaffe_python_dir = "your/ca

环境： ubuntu14.04 64bit， python2.7（not anaconda), caffe当前最新版首先可以看下caffe官网给出的pycaffe有关介绍：caffe.Net is the central interface for loading, configuring, and running models. caffe.Classifier and caffe.Detecto

caffe的大多数层是由c++写成的，借助于c++的高效性，网络可以快速训练。但是我们有时候需要自己写点输入层以应对各种不同的数据输入，比如你因为是需要在图像中取块而不想写成LMDB，这时候可以考虑使用python直接写一个层。而且输入层不需要GPU加速，所需写起来也比较容易。python层怎么用先看一个网上的例子吧（来自http://chrischoy.github.io/research/caf