白菜的博客

使用笔记本电脑配置，6g内存，AMD处理器1.6g主频，CPU模式1. cifar10实例

首先建立一个net，net有多层构成，层有不同的类型。网络结构定义在.prototxt文件中。下面详细介绍：1. 数据层即输入层。在caffe中数据以blob的格式进行存储和传输，在这一层中是实现数据其他格式与blob之间的转换，例如从高效的数据库lmdb或者level-db转换为blob，也可以从低效的数据格式如hdf5或者图片。另外数据的预处理也在本层实现，如减去均值, 放大缩小, 裁剪和

首先，在命令行打開jupyter

./build/tools/caffe test -model examples/myfile2/cifar10_quick_train_test.prototxt -weights examples/myfile2/cifar10_quick_iter_300.caffemodel -iterations 5可以使用以上命令测试得到的CNN模型，然后在实际使用中，我们希望能够输入一张图片得到相应

首先参照博客http://www.cnblogs.com/denny402/p/5083300.html ，使用博主的数据训练，前面都很顺利，到最后运行时报内存错误，可能的解决方案为：减小batch_size或者增大内存。接下来使用自己的数据训练caffe网络，步骤一一记录下来。

下面以一个表格显示： 层 主要功能 主要类型 其他 卷积层 提取特征 CONVOLUTION 池化层 特征池化 POOLING 局部响应归一化层 临近抑制 LRN 损失计算层 loss计算 SOFTMAX_LOSS 选择合适的loss范数 EUCLIDEAN_LOSS HINGE

test.py is showed as follows.#coding=utf-8 import osimport numpy as npimport caffe import matplotlib.pyplot as plt root='/home/xxx/caffe/'deploy=root + 'examples/myfile2/cifar10_qui

(1) paint the networkpython/draw_net.py, 这个文件，就是用来绘制网络模型的。也就是将网络模型由prototxt变成一张图片。在绘制之前，需要先安装两个库１、安装ＧraphViz# sudo apt-get install GraphViz注意，这里用的是apt-get来安装，而不是pip.2 、安装pydot# s

在caffe中，最常用的数据是data类型，data类型要求输入数据是lmdb或者leveldb。而我们的原始数据通常为各种格式的图片，使用caffe生成高效数据输入就要涉及到数据转换了。caffe提供了数据转换需要的工具，convert_imageset.cpp，我们直接使用编译生成的可执行文件进行数据的转换。使用格式如下：convert_imageset [FLAGS] ROOTFOLDE

caffe提供三种接口：c++（命令行）， python， matlab。如何使用常用的命令呢？caffe的c++主程序caffe.cpp放在～/caffe/tools/文件夹内，在编译caffe时生成了可执行文件在～/caffe/build/tools/中，当然还有一些其它的功能文件，如：convert_imageset.cpp, train_net.cpp, test_net.cpp等也放

solver文件协调整个模型的运作。solver算是caffe的核心的核心，它协调着整个模型的运作。caffe程序运行必带的一个参数就是solver配置文件。运行代码一般为# caffe train --solver=*_slover.prototxt在Deep Learning中，往往loss function是非凸的，没有解析解，我们需要通过优化方法来求解。solver

http://www.linuxidc.com/Linux/2016-09/135034.htm第一部分: 安装dependenciessudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compilersudo apt