caffe下构建自己的项目文件夹

最新推荐文章于 2021-11-10 22:49:09 发布
最新推荐文章于 2021-11-10 22:49:09 发布
阅读量901 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： caffe 文章标签： caffe 图像中值滤波取证 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/zj15939317693/article/details/62236467
本文详细介绍如何基于Caffe框架搭建图像取证模型，包括项目文件夹的构建、模型文件与超参数文件的修改等内容。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

跑完caffe example目录下自带的mnist和cifar后，想利用现有的模型构建自己的项目文件夹。由于近期仿真一篇关于图像中值滤波取证的文件，因此文件夹命名为：“Median_Filtering_Forensics”，如下图所示：


一、项目文件夹的基本组成文件

总的来说一个完整的example下的项目文件由三部分组成：训练模型文件（train_val.prototxt）、训练超参数文件（solver.prototxt）、制作好的数据集。训练模型文件是准备利用的模型，如LeNet、AlexNet等；训练超参数文件定义了训练过程中的参数，比如是否用GPU，生成的模型存放的位置等；制作好的数据集一般是LEVELDB或LMDB格式的。此外，还有一个deploy文件，具体用处还没弄清。我们可以从caffemaster底下的model中找到我们所需要的模型及相应的文件，如图：


通过阅读文献，发现我要仿的文章用的是caffenet或AlexNet模型，只是在这个模型的基础上新加了一个Filter Layer层，用来提取输入图像的中值滤波谱残差（MFR）。CaffeNet和AlexNet模型大的框架是相同的，有些细微的地方比如池化和归一化的顺序不同，有兴趣的同学可以查阅研究一下这两个模型的区别联系。此处我们用CaffeNet模型。

如图是caffenet模型文件夹中的文件：


我们将这些文件全部复制粘贴到example目录下我们新建的项目文件夹“Median_Filtering_Forensics”中，并将之前制作好的train_leveldb和test_leveldb文件以及数据集制作时用到的bat文件也一同粘贴到这个新建的项目文件夹中（数据集的制作请参照上篇博文）。由于我要修改一下原模型文件，这里在train_val.prototxt中加了个1以示区别。至此一个项目文件夹中的基本组成文件齐全了，如图所示：


二、修改训练模型文件和训练超参数文件

下面要做的就是修改训练模型文件和训练超参数文件中的内容。

（1）训练模型文件的修改

先粘一下caffenet模型文件的源代码（修改的部分在注释中写出）：

name: "CaffeNet"
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
//下面的部分是导入均值文件并设置参数，由于图像取证方向跟目标识别不太一样，不需要这一步，去掉这一部分
  transform_param {
    mirror: true
    crop_size: 227
    mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"
  }
# mean pixel / channel-wise mean instead of mean image
#  transform_param {
#    crop_size: 227
#    mean_value: 104
#    mean_value: 117
#    mean_value: 123
#    mirror: true
#  }
  data_param {
    source: "examples/imagenet/ilsvrc12_train_lmdb"//制作好的训练文件所在的目录，最好写上完整的路径
    batch_size: 256
    backend: LMDB//训练文件的格式：LEVELDB或者LMDB
  }
}
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
//跟train的一样，把有关均值文件的部分去掉
  transform_param {
    mirror: false
    crop_size: 227
    mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"
  }
# mean pixel / channel-wise mean instead of mean image
#  transform_param {
#    crop_size: 227
#    mean_value: 104
#    mean_value: 117
#    mean_value: 123
#    mirror: false
#  }
  data_param {
    source: "examples/imagenet/ilsvrc12_val_lmdb"//测试文件所在的目录，最好写上完整路径
    batch_size: 50
    backend: LMDB//测试集文件的格式：LEVELDB或者LMDB
  }
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 96//输出端个数，这里我按照文章中的设置
    kernel_size: 11
    stride: 4
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "conv1"
  top: "conv1"
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 3//按照文章中的设置，下面的层中这个参数都按文章中的设置
    stride: 2
  }
}
layer {
  name: "norm1"
  type: "LRN"
  bottom: "pool1"
  top: "norm1"
  lrn_param {
    local_size: 5
    alpha: 0.0001
    beta: 0.75
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "norm1"
  top: "conv2"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    pad: 2
    kernel_size: 5
    group: 2
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu2"
  type: "ReLU"
  bottom: "conv2"
  top: "conv2"
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "norm2"
  type: "LRN"
  bottom: "pool2"
  top: "norm2"
  lrn_param {
    local_size: 5
    alpha: 0.0001
    beta: 0.75
  }
}
layer {
  name: "conv3"
  type: "Convolution"
  bottom: "norm2"
  top: "conv3"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 384
    pad: 1
    kernel_size: 3
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu3"
  type: "ReLU"
  bottom: "conv3"
  top: "conv3"
}
layer {
  name: "conv4"
  type: "Convolution"
  bottom: "conv3"
  top: "conv4"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 384
    pad: 1
    kernel_size: 3
    group: 2
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu4"
  type: "ReLU"
  bottom: "conv4"
  top: "conv4"
}
layer {
  name: "conv5"
  type: "Convolution"
  bottom: "conv4"
  top: "conv5"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    pad: 1
    kernel_size: 3
    group: 2
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu5"
  type: "ReLU"
  bottom: "conv5"
  top: "conv5"
}
layer {
  name: "pool5"
  type: "Pooling"
  bottom: "conv5"
  top: "pool5"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "fc6"
  type: "InnerProduct"
  bottom: "pool5"
  top: "fc6"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 4096
    weight_filler {
      type: "gaussian"
      std: 0.005
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu6"
  type: "ReLU"
  bottom: "fc6"
  top: "fc6"
}
layer {
  name: "drop6"
  type: "Dropout"
  bottom: "fc6"
  top: "fc6"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc7"
  type: "InnerProduct"
  bottom: "fc6"
  top: "fc7"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 4096
    weight_filler {
      type: "gaussian"
      std: 0.005
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu7"
  type: "ReLU"
  bottom: "fc7"
  top: "fc7"
}
layer {
  name: "drop7"
  type: "Dropout"
  bottom: "fc7"
  top: "fc7"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc8"
  type: "InnerProduct"
  bottom: "fc7"
  top: "fc8"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 1000//这里caffenet是为ImageNet所设计的模型，ImageNet是1000个分类，这里我们是一个二分类的问题，因此将1000改为2
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "fc8"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST
  }
}
layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "fc8"
  bottom: "label"
  top: "loss"
}

下面贴出修改后的模型文件：

name: "CaffeNet"
layer {
  name: "Median_Filtering_Forensics"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  data_param {
    source: "E:/platform/caffe-master/examples/Median_Filtering_Forensics/train_MFF_leveldb"
    batch_size: 256
    backend: LEVELDB
  }
}
layer {
  name: "Median_Filtering_Forensics"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  data_param {
    source: "E:/platform/caffe-master/examples/Median_Filtering_Forensics/test_MFF_leveldb"
    batch_size: 50
    backend: LEVELDB
  }
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 128
    kernel_size: 5
    stride: 4
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "conv1"
  top: "conv1"
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "norm1"
  type: "LRN"
  bottom: "pool1"
  top: "norm1"
  lrn_param {
    local_size: 5
    alpha: 0.0001
    beta: 0.75
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "norm1"
  top: "conv2"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    pad: 2
    kernel_size: 3
    group: 2
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu2"
  type: "ReLU"
  bottom: "conv2"
  top: "conv2"
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "norm2"
  type: "LRN"
  bottom: "pool2"
  top: "norm2"
  lrn_param {
    local_size: 5
    alpha: 0.0001
    beta: 0.75
  }
}
layer {
  name: "conv3"
  type: "Convolution"
  bottom: "norm2"
  top: "conv3"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 384
    pad: 1
    kernel_size: 3
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu3"
  type: "ReLU"
  bottom: "conv3"
  top: "conv3"
}
layer {
  name: "conv4"
  type: "Convolution"
  bottom: "conv3"
  top: "conv4"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 384
    pad: 1
    kernel_size: 3
    group: 2
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu4"
  type: "ReLU"
  bottom: "conv4"
  top: "conv4"
}
layer {
  name: "conv5"
  type: "Convolution"
  bottom: "conv4"
  top: "conv5"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    pad: 1
    kernel_size: 3
    group: 2
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu5"
  type: "ReLU"
  bottom: "conv5"
  top: "conv5"
}
layer {
  name: "pool5"
  type: "Pooling"
  bottom: "conv5"
  top: "pool5"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "fc6"
  type: "InnerProduct"
  bottom: "pool5"
  top: "fc6"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 5120
    weight_filler {
      type: "gaussian"
      std: 0.005
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu6"
  type: "ReLU"
  bottom: "fc6"
  top: "fc6"
}
layer {
  name: "drop6"
  type: "Dropout"
  bottom: "fc6"
  top: "fc6"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc7"
  type: "InnerProduct"
  bottom: "fc6"
  top: "fc7"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 5120
    weight_filler {
      type: "gaussian"
      std: 0.005
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu7"
  type: "ReLU"
  bottom: "fc7"
  top: "fc7"
}
layer {
  name: "drop7"
  type: "Dropout"
  bottom: "fc7"
  top: "fc7"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc8"
  type: "InnerProduct"
  bottom: "fc7"
  top: "fc8"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 2
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "fc8"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST
  }
}
layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "fc8"
  bottom: "label"
  top: "loss"
}

（2）训练超参数文件的修改

还是先贴出caffenet里的超参数文件：

net: "models/bvlc_reference_caffenet/train_val.prototxt"//调用训练模型，即caffe自带的caffenet模型，已经被我们复制粘贴到我们的项目文件夹下，因此路径要修改
test_iter: 1000
test_interval: 1000
base_lr: 0.01//基础学习率，后来还要不断调参已得到最优模型，学习率太高可能会使得训练过程中的Loss值一直是87.3
lr_policy: "step"
gamma: 0.1
stepsize: 100000
display: 20
max_iter: 450000
momentum: 0.9
weight_decay: 0.0005
snapshot: 10000
snapshot_prefix: "models/bvlc_reference_caffenet/caffenet_train"//很重要的修改地方，该路径存放将来训练的到的模型文件，注意路径中是'/'而不是‘\’
solver_mode: GPU//选择训练模式，这里选择GPU

下面贴出修改后的文件： 

net: "E:/platform/caffe-master/examples/Median_Filtering_Forensics/train_val1.prototxt"
test_iter: 1000
test_interval: 1000
base_lr: 0.01
lr_policy: "step"
gamma: 0.1
stepsize: 100000
display: 20
max_iter: 450000
momentum: 0.9
weight_decay: 0.0005
snapshot: 10000
snapshot_prefix: "examples/Median_Filtering_Forensics/mine"//“mine”代表训练得到的模型文件名称前缀
solver_mode: GPU

全部修改好后即可建立bat文件训练模型了。在caffemaster目录下建立bat文件，如下：

.\Build\x64\Release\caffe.exe train --solver=E:\platform\caffe-master\examples\Median_Filtering_Forensics\solver.prototxt
pause

如果不在caffemaster目录下运行bat文件可能会出错，运行后就开始训练了。

我们的训练数据集有20000张图片，测试集也是20000张图片。在i7，GT650M，windows下跑整个模型大概用了两个小时。贴出训练结束时的cmd窗口：



遗憾的是，训练出的模型是不能用的...看到Loss值一直是87.3365，原因是计算过程中出现了float溢出等异常，说明Softmax得到的概率值出现了0。具体的原因及解决方法参照： http://blog.youkuaiyun.com/yan_joy/article/details/53608519，这里还没有来得及解决。不过应该是修改参数的问题。大体流程没问题。

最后贴出训练得到的模型文件及训练后的文件夹：


其中mine_iter_10000.caffemodel就是我们得到的模型文件，mine_iter_10000.solverstate则存放这训练参数。把loss值的问题解决后模型就应该可以用了。

PS:接下来就是要按照文章的做法在CNN的卷基层前面加一个提取图片MFR（中值滤波谱残差）的层了，感觉很难啊..要看懂caffe源码么？c++的功底不够啊，网上这方面也大多介绍的是caffe源码的解读，具体加层的套路没有具体介绍啊，无助...

windows下caffe安装教程
10-21
### Windows 下 Caffe 安装教程 #### 一、前言 Caffe 是一个非常流行的深度学习框架，因其高效简洁而被广泛应用于图像识别、计算机视觉等领域。然而，相较于 Linux 系统，Windows 平台上的 Caffe 安装过程可能会...
windows下caffe编译的python接口
04-23
在Windows环境下，Caffe是一个广泛使用的深度学习框架，它的Python接口允许用户利用Python语言便捷地构建、训练和部署深度学习模型。本篇文章将详细讲解如何在Windows系统下编译Caffe，特别是关于Python接口的配置与...
利用caffe建立自己的工程
Sunshine_in_Moon的专栏
01-07 3070
如果想把caffe应用到实际的工程当中，我们需要自己建立工程。这个真的是把我虐哭了，各种错误！最后还好全都解决了。在这个还有感谢happynea大神。     至于如何建立工程，添加各种库我就不说了，我只说遇到的最要命的一个问题及解决办法！     至于缺少库，自己百度解决吧，我说的是层的注册问题，第一次编译连接全都没错，运行时报错，unkown layer type  ，这是因为我们没有注册
caffe 外创建新的工程
pingfan2014的博客
09-05 174
参考：一根狼毛的博客:http://blog.sina.com.cn/s/blog_534497fd0102wf2t.html
简单快捷建立自己的caffe工程
bjailihong的博客
08-26 1165
建立caffe工程需要的依赖比较多，手动添加太麻烦？！我们不妨换个视角，编译caffe_windows工程时，好像没添加依赖的路径（当然了，第一次编译下载比较慢），工程就编译好了，现在我们来解析下caffe_windows的工程设置文件，并一步一步建立了自己的工程，如果想看在caffe_windows中添加自己的工程，可以参考我的另外一篇文章caffe-windows添加自己的工程。 说明：
caffe-windows添加自己的工程
bjailihong的博客
08-24 1266
本文在博主知乎的地址：https://zhuanlan.zhihu.com/p/28577621 caffe-windows已经编译成功(win7+1080ti+cuda8.0+cudnn5.0+caffe安装)，现在需要在自己的工程中使用caffe，经过一阵子的摸索，找到了一个稍微不那么麻烦的方法（不需要复制各种路径），现总结如下： step 1、建立新工程 打开caffe解决方案
windows下使用Caffe框架和matlab实现SRCNN官方代码的步骤
qq_37975919的博客
11-10 2450
步骤 step1 搭建caffe环境 在windows系统上搭建caffe环境，并配置matlab接口（需要下载 caffe-master.zip 以及 VS2013 ） 我的环境为：windows10 + caffe-master + VS2013旗舰版 + matlab R2018b 安装步骤推荐参考： 博客1：windows7下配置caffe+matlab2016 无GPU（详细教材） 博客1地址：https://blog.youkuaiyun.com/jiangjieqazwsx/article/detail
Windows下caffe安装详解
07-31
等待下载完成，此时会在 Caffe 的同级目录下生成 `NugetPackages` 文件夹。 - 如果遇到未生成 object 文件的错误，可直接点击确定并保存。 - 如果遇到找不到 `libcaffe.lib` 文件的错误，先编译 `libcaffe`，然后...
caffe-windows
10-12
4. **配置 CMake**：打开 CMake，设置源码目录为解压后的 Caffe 目录，设置构建目录到一个新的空文件夹。在 CMake 设置中，指定 VS2015 编译器，以及是否启用 GPU 支持（找到 WITH_CUDA 选项并设置为 ON）。 5. **...
windows下超详细教程安装caffe并编译测试
05-10
2. 设置源代码目录为克隆的Caffe文件夹，设置构建目录（新建一个空文件夹）。 3. 在CMake配置阶段，设置各种选项，如Visual Studio版本、是否使用GPU等。 **四、编译Caffe** 1. 在CMake中点击“Configure”，然后...
在windows的Caffe框架下实现SRCNN
whr_ws的博客
09-23 2392
本次实验是实现SRCNN。windows下的caffe框架为caffe-master.zip，直接解压即可，要用到caffe提供的matlab接口，参考https://blog.youkuaiyun.com/jiangjieqazwsx/article/details/53292326 （提示matlab的版本选2013及其以上版本的，matlab2013以下版本缺少GPU的头文件）安装时注意环境变量的设置。...
caffe和matlab,Matlab利用Caffe实现SRCNN步骤与问题解决
weixin_39634351的博客
03-16 444
一、解压SRCNN_train文件,，将SRCNN文件夹放到caffe-master/examples下面；二、依次运行其中的generate_train.m，generate_test.m生成train.h5、test.h5文件,caffe可对HDF5数据格式进行操作，Caffe数据类型参考http://www.cnblogs.com/denny402/p/5073427.html三、在caff...
VS2013调用caffe新建自己的工程详细过程
AUTO1993的博客
04-16 1万+
VS2013调用caffe新建自己的工程详细过程 在windows上编译好caffe之后（纯CPU），很多人都会存在这样的问题，我该如何去调用编译好的caffe来新建自己的工程开发自己的应用呢，这个问题折腾了一下午，终于成功实现了在自己新建的工程中调用编译好的caffe，下面就记录一下，新建VS2013工程实现caffe的具体过程。 一、Windows下编译好caffe 这里不具体叙述编
Caffe学习之——caffe目录结构说明
c20081052的专栏
06-05 3850
转自：http://yufeigan.github.io/下载caffe后，caffe文件夹下的文件目录结构如下图：这里，最重要的三个文件夹就是include, tools, src。在源码解读中会对里面的文件代码一一介绍，这里给出src文件的结构：src中的每个.cpp文件对应include文件中的头文件。在编译完成后，会生成build文件夹。这个文件的目标文件指向一个debug或者releas...
【caffe-Windows】添加工程-以classification为例
风翼冰舟的博客
04-11 5771
前言兴趣所向，研究一下如何在caffe工程之外建立一个属于自己的工程，这里以分类为例，将classification.cpp提取出来，然后调用相应的三方库和libcaffe.lib进行编译。这里比较建议有一丢丢C++功底的同志参考学习，主要涉及到利用VS新建工程，添加lib库文件，包含头文件，解决dll丢失问题。国际惯例，贴一堆网址：caffe下新建工程及编译caffe-window搭建自己的小项目
VS下建立自己的caffe工程项目
zj15939317693的博客
05-31 1980
首先列出参考博客：         博客1：点击打开链接         博客2：点击打开链接 一、添加工程-以classification为例         参考博客1点击打开链接         顺利的话可能到此为止就OK了，不顺利的话，比如像我遇到了“Check failed: registry.count(t ype) == 1 (0 vs. 1) Unknown layer
史上最完整的caffe环境搭建教程
Right Here 的专栏
01-05 5508
从一个干净的新系统开始搭建 caffe 硬件：GPU GTX 1060 6G OS：ubuntu16.04 x64 安装系统后，重启后，如果在启动界面出现 fb switching to nouveaufb from efi vga 这个错误，则拔掉显卡， 然后安装显卡驱动，再插上显卡就可以了 安装显卡驱动： 通过这里找到驱动版本（我现在用的版本是384），然后通过这个命令安装驱动
Caffe添加自定义的层
热门推荐
热爱生活，忠于自己
12-21 1万+
介绍在使用Caffe时，可能已有的层不满足需求，需要实现自己的层，最好的方式是修改caffe.proto文件，增加对应cpp、h、cu的声明和实现，编译caffe库即可。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值