深度學習21天實戰caffe學習筆記《3 ：準備Caffe環境》

準備Caffe環境

【如果是其他環境下的配置就請繞道嘍，我也沒有專門去試一試各個環境下的配置，請諒解~】

官網 http://caffe.berkeleyvision.org/installation.html；

首先在這里介紹一下我的硬件環境：

Ubuntu 14.04 ---------[ win10遠程連接ssh（putty）+VNC ]：

http://www.ubuntu.com/download/desktop

gcc 4.8.4 || cuda 7.5.18 ||

1、安裝ssh、vnc；

win10 : putty 、 VNC

Unbuntu : sudo apt-get install ssh

cuda7.5安裝

cuda7.5下載：地址 https://developer.nvidia.com/cuda-downloads
文件： cuda_7.5.18_linux.run
登錄界面前按Ctrl+Alt+F1進入命令提示符【禁用nouveau驅動】
執行命令： sudo vi /etc/modprobe.d/blacklist-nouveau.conf

輸入以下內容

blacklist nouveau
options nouveau modset=0

最后保存退出（:wq)

執行命令： sudo update-initramfs -u
再執行命令： lspci | grep nouveau 查看是否有內容
如果沒有內容，說明禁用成功，如果有內容，就重啟一下再查看
sudo reboot
重啟后，進入登錄界面的時候，不要登錄進入桌面，直接按Ctrl+Alt+F1進入命令提示符。
重啟后，登錄界面時直接按Ctrl+Alt+F1進入命令提示符
安裝依賴項：
sudo service lightdm stop
sudo apt-get install g++
sudo apt-get install Git
sudo apt-get install freeglut3-dev
假設cuda_7.5.18_linux.run位于 ~ 目錄，切換到~目錄： cd ~
執行命令： sudo sh cuda_7.5.18_linux.run
安裝的時候，要讓你先看一堆文字（EULA)，我們直接不停的按空格鍵到100%，然后輸入一堆accept,yes,yes或回車進行安裝。安裝完成后，重啟，然后用ls查看一下：
ls /dev/nvidia*
會看到/dev目錄下生成多個nvidia開頭文件(夾)
或者輸入命令： sudo nvcc –version 會顯示類似以下信息
```
 dl@dl-Z170X-Gaming-3:~$ nvcc --version
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2015 NVIDIA Corporation
Built on Tue_Aug_11_14:27:32_CDT_2015
Cuda compilation tools, release 7.5, V7.5.17
```
- 1
- 2
- 3
- 4
- 5
- 1
- 2
- 3
- 4
- 5

配置環境變量
執行命令： sudo vi /etc/profile
文件底部添加以下內容：

export PATH=/usr/local/cuda-7.5/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-7.5/lib64:$LD_LIBRARY_PATH

編譯samples
安裝成功后在～目錄下可以看到一個NVIDIA_CUDA-7.5_Samples文件夾，切換到目錄
輸入sudo make，大概等個十多分鐘后就會把全部的samples編譯完畢。生成的可執行文件位于
NVIDIA_CUDA-7.5_Samples/bin/x86_64/Linux/release 目錄下
比如運行 ./nbody可以看到以下demo

cuda安裝過程中遇到的問題

Q1

–

在執行命令： sudo apt-get install g++ 時出現以下錯誤
g++ : Depends: g++-4.8 (>= 4.8.2-5~) but it is not going to be installed
是因為ubuntu 14.04的源過舊或不可訪問導致，可以通過更新源解決。
首先，備份原始源文件source.list
sudo cp /etc/apt/sources.list /etc/apt/sources.list_backup

然后
sudo gedit /etc/apt/source.list
在文件尾部添加以下內容

deb http://archive.ubuntu.com/ubuntu/ trusty main restricted universe multiverse
deb http://archive.ubuntu.com/ubuntu/ trusty-security main restricted universe multiverse
deb http://archive.ubuntu.com/ubuntu/ trusty-updates main restricted universe multiverse
deb http://archive.ubuntu.com/ubuntu/ trusty-proposed main restricted universe multiverse
deb http://archive.ubuntu.com/ubuntu/ trusty-backports main restricted universe multiverse
deb-src http://archive.ubuntu.com/ubuntu/ trusty main restricted universe multiverse
deb-src http://archive.ubuntu.com/ubuntu/ trusty-security main restricted universe multiverse
deb-src http://archive.ubuntu.com/ubuntu/ trusty-updates main restricted universe multiverse
deb-src http://archive.ubuntu.com/ubuntu/ trusty-proposed main restricted universe multiverse
deb-src http://archive.ubuntu.com/ubuntu/ trusty-backports main restricted universe multivers

最后 sudo apt-get update

Q2

W: GPG 錯誤：http://archive.ubuntukylin.com:10006/ubuntukylin xenial InRelease: 由于沒有公鑰，無法驗證下列簽名： NO_PUBKEY 8D5A09DC9B929006
W: 倉庫 “http://archive.ubuntukylin.com:10006/ubuntukylin xenial InRelease” 沒有數字簽名。
N: 無法認證來自該源的數據，所以使用它會帶來潛在風險。
N: 參見 apt-secure(8) 手冊以了解倉庫創建和用戶配置方面的細節。
W: 以下 ID 的**沒有可用的公鑰：
8D5A09DC9B929006

solution:

sudo apt-key adv --keyserver keyserver.ubuntu.com --recv-keys 8D5A09DC9B929006

注意最后的一串**就是報錯信息里的, 每個人的不一樣

Q3

1080Ti顯卡安裝完CUDA之后要安裝顯卡驅動，否則提示找不到顯卡設備

sudo service lightdm stop  
sudo chmod 777 NVIDIA-Linux-x86_64-378.13.run   
sudo ./NVIDIA-Linux-x86_64-367.27.run  
sudo service lightdm start

安裝caffe

下載caffe：執行命令： sudo git clone https://github.com/BVLC/caffe.git
安裝依賴項：
sudo apt-get install libatlas-base-dev
sudo apt-get install libprotobuf-dev
sudo apt-get install libleveldb-dev
sudo apt-get install libsnappy-dev
sudo apt-get install libopencv-dev
sudo apt-get install libboost-all-dev
sudo apt-get install libhdf5-serial-dev
sudo apt-get install libgflags-dev
sudo apt-get install libgoogle-glog-dev
sudo apt-get install liblmdb-dev
sudo apt-get install protobuf-compiler
編譯caffe
cd ~/caffe
sudo cp Makefile.config.example Makefile.config
make all
配置運行環境
sudo vi /etc/ld.so.conf.d/caffe.conf
添加內容：
/usr/local/cuda/lib64
更新配置
sudo ldconfig
caffe測試，執行以下命令：
cd ~/caffe
sudo sh data/mnist/get_mnist.sh
sudo sh examples/mnist/create_mnist.sh
最后測試：
sudo sh examples/mnist/train_lenet.sh

運行結果如下：
這里寫圖片描述

其他依賴項

我們查看caffe目錄下 Makefile.config 內容如下：

## Refer to http://caffe.berkeleyvision.org/installation.html
# Contributions simplifying and improving our build system are welcome!

# cuDNN acceleration switch (uncomment to build with cuDNN).
 USE_CUDNN := 1

# CPU-only switch (uncomment to build without GPU support).
# CPU_ONLY := 1

# uncomment to disable IO dependencies and corresponding data layers
# USE_OPENCV := 0
# USE_LEVELDB := 0
# USE_LMDB := 0

# uncomment to allow MDB_NOLOCK when reading LMDB files (only if necessary)
#   You should not set this flag if you will be reading LMDBs with any
#   possibility of simultaneous read and write
# ALLOW_LMDB_NOLOCK := 1

# Uncomment if you're using OpenCV 3
 OPENCV_VERSION := 3

# To customize your choice of compiler, uncomment and set the following.
# N.B. the default for Linux is g++ and the default for OSX is clang++
# CUSTOM_CXX := g++

# CUDA directory contains bin/ and lib/ directories that we need.
CUDA_DIR := /usr/local/cuda
# On Ubuntu 14.04, if cuda tools are installed via
# "sudo apt-get install nvidia-cuda-toolkit" then use this instead:
# CUDA_DIR := /usr

# CUDA architecture setting: going with all of them.
# For CUDA < 6.0, comment the *_50 lines for compatibility.
CUDA_ARCH := -gencode arch=compute_20,code=sm_20 \
        -gencode arch=compute_20,code=sm_21 \
        -gencode arch=compute_30,code=sm_30 \
        -gencode arch=compute_35,code=sm_35 \
        -gencode arch=compute_50,code=sm_50 \
        -gencode arch=compute_50,code=compute_50

# BLAS choice:
# atlas for ATLAS (default)
# mkl for MKL
# open for OpenBlas
BLAS := mkl
# Custom (MKL/ATLAS/OpenBLAS) include and lib directories.
# Leave commented to accept the defaults for your choice of BLAS
# (which should work)!
# BLAS_INCLUDE := /path/to/your/blas
# BLAS_LIB := /path/to/your/blas

# Homebrew puts openblas in a directory that is not on the standard search path
# BLAS_INCLUDE := $(shell brew --prefix openblas)/include
# BLAS_LIB := $(shell brew --prefix openblas)/lib

# This is required only if you will compile the matlab interface.
# MATLAB directory should contain the mex binary in /bin.
# MATLAB_DIR := /usr/local
# MATLAB_DIR := /Applications/MATLAB_R2012b.app

# NOTE: this is required only if you will compile the python interface.
# We need to be able to find Python.h and numpy/arrayobject.h.
PYTHON_INCLUDE := /usr/include/python2.7 \
        /usr/lib/python2.7/dist-packages/numpy/core/include
# Anaconda Python distribution is quite popular. Include path:
# Verify anaconda location, sometimes it's in root.
# ANACONDA_HOME := $(HOME)/anaconda
# PYTHON_INCLUDE := $(ANACONDA_HOME)/include \
        # $(ANACONDA_HOME)/include/python2.7 \
        # $(ANACONDA_HOME)/lib/python2.7/site-packages/numpy/core/include \

# Uncomment to use Python 3 (default is Python 2)
# PYTHON_LIBRARIES := boost_python3 python3.5m
# PYTHON_INCLUDE := /usr/include/python3.5m \
#                 /usr/lib/python3.5/dist-packages/numpy/core/include

# We need to be able to find libpythonX.X.so or .dylib.
PYTHON_LIB := /usr/lib
# PYTHON_LIB := $(ANACONDA_HOME)/lib

# Homebrew installs numpy in a non standard path (keg only)
# PYTHON_INCLUDE += $(dir $(shell python -c 'import numpy.core; print(numpy.core.__file__)'))/include
# PYTHON_LIB += $(shell brew --prefix numpy)/lib

# Uncomment to support layers written in Python (will link against Python libs)
# WITH_PYTHON_LAYER := 1

# Whatever else you find you need goes here.
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib

# If Homebrew is installed at a non standard location (for example your home directory) and you use it for general dependencies
# INCLUDE_DIRS += $(shell brew --prefix)/include
# LIBRARY_DIRS += $(shell brew --prefix)/lib

# Uncomment to use `pkg-config` to specify OpenCV library paths.
# (Usually not necessary -- OpenCV libraries are normally installed in one of the above $LIBRARY_DIRS.)
# USE_PKG_CONFIG := 1

BUILD_DIR := build
DISTRIBUTE_DIR := distribute

# Uncomment for debugging. Does not work on OSX due to https://github.com/BVLC/caffe/issues/171
# DEBUG := 1

# The ID of the GPU that 'make runtest' will use to run unit tests.
TEST_GPUID := 0

# enable pretty build (comment to see full commands)
Q ?= @

可以看到諸如

# cuDNN acceleration switch (uncomment to build with cuDNN).
# USE_CUDNN := 1

# Uncomment if you're using OpenCV 3
# OPENCV_VERSION := 3

# BLAS choice:
# atlas for ATLAS (default)
# mkl for MKL
# open for OpenBlas
BLAS := atlas

都是使用默認的設置，我們可以安裝其他依賴項提高caffe運行效率

opencv3.0安裝

github上有人寫好完整的運行腳本自動下載OpenCV，編譯，安裝，配置等
Caffe + Ubuntu 15.04 + CUDA 7.5 新手安裝配置指南作者 Xin-Yu Ou（歐新宇）可以到他的網盤中下載
PS：為了方便大家使用，我提供一個百度云盤，用于分享部分安裝過程中需要用到的軟件包和鏈接地址（所有軟件包僅供學術交流使用，請大家盡量去官網下載。）。百度云盤鏈接:http://pan.baidu.com/s/1qX1uFHa 密碼:wysa
在Install-opencv-master文件夾中包含安裝各個版本opencv腳本
切換到目錄執行：
sudo sh Ubuntu/dependencies.sh
安裝依賴項
執行opencv3.0安裝腳本
sudo sh Ubuntu/3.0/opencv3_0_0.sh
等待安裝完成即可

修改Makefile.config

# Uncomment if you're using OpenCV 3

OPENCV_VERSION := 3

(可選）opencv3.1已經發布，如果要安裝最新的opencv3.1，我們可以先執行
sudo sh get_latest_version_download_file.sh
獲取最新的地址，然后更新opencv3_0_0.sh中的下載地址，同時需要修正文件名等

arch=$(uname -m)
if [ "$arch" == "i686" -o "$arch" == "i386" -o "$arch" == "i486" -o "$arch" == "i586" ]; then
flag=1
else
flag=0
fi
echo "Installing OpenCV 3.0.0"
mkdir OpenCV
cd OpenCV
echo "Removing any pre-installed ffmpeg and x264"
sudo apt-get -y remove ffmpeg x264 libx264-dev
echo "Installing Dependenices"
sudo apt-get -y install libopencv-dev
sudo apt-get -y install build-essential checkinstall cmake pkg-config yasm
sudo apt-get -y install libtiff4-dev libjpeg-dev libjasper-dev
sudo apt-get -y install libavcodec-dev libavformat-dev libswscale-dev libdc1394-22-dev libxine-dev libgstreamer0.10-dev libgstreamer-plugins-base0.10-dev libv4l-dev
sudo apt-get -y install python-dev python-numpy
sudo apt-get -y install libtbb-dev
sudo apt-get -y install libqt4-dev libgtk2.0-dev
sudo apt-get -y install libfaac-dev libmp3lame-dev libopencore-amrnb-dev libopencore-amrwb-dev libtheora-dev libvorbis-dev libxvidcore-dev
sudo apt-get -y install x264 v4l-utils ffmpeg
sudo apt-get -y install libgtk2.0-dev
echo "Downloading OpenCV 3.0.0"
wget -O opencv-3.0.0.zip http://sourceforge.net/projects/opencvlibrary/files/opencv-unix/3.0.0/opencv-3.0.0.zip/download
echo "Installing OpenCV 3.0.0"
unzip opencv-3.0.0.zip
cd opencv-3.0.0
mkdir build
cd build
cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local -D WITH_TBB=ON -D BUILD_NEW_PYTHON_SUPPORT=ON -D WITH_V4L=ON -D INSTALL_C_EXAMPLES=ON -D INSTALL_PYTHON_EXAMPLES=ON -D BUILD_EXAMPLES=ON -D WITH_QT=ON -D WITH_OPENGL=ON ..
make -j8
sudo make install
sudo sh -c 'echo "/usr/local/lib" > /etc/ld.so.conf.d/opencv.conf'
sudo ldconfig
echo "OpenCV 3.0.0 ready to be used"

安裝opencv3遇到的問題

在執行
sudo sh Ubuntu/3.0/opencv3_0_0.sh
出現有個地方一直卡住了，顯示在下載一個文件： ippicv_linux_20141027.tgz
因為墻的原因，這個文件無法下載下來
[其他文檔] ippicv_linux_20141027.tgz 處下載文件 ippicv_linux_20141027.tgz
下載后拷貝到opencv/3rdparty/ippicv/downloads/linux-8b449a536a2157bcad08a2b9f266828b/ 目錄下即
http://stackoverflow.com/questions/25726768/opencv-3-0-trouble-with-installation

安裝BLAS——選擇MKL

首先下載 MKL(Intel(R) Parallel Studio XE Cluster Edition for Linux 2016)
網址： https://software.intel.com/en-us/intel-education-offerings
Caffe + Ubuntu 15.04 + CUDA 7.5 新手安裝配置指南作者 Xin-Yu Ou（歐新宇）可以到他的網盤中下載，需要自己申請***
下載完成后： parallel_studio_xe_2016.tgz
執行以下命令：
$ tar zxvf parallel_studio_xe_2016.tar.gz
$ chmod a+x parallel_studio_xe_2016 -R
$ sh install_GUI.sh
環境配置：
$ sudo gedit /etc/ld.so.conf.d/intel_mkl.conf
然后添加以下內容
```
/opt/intel/lib/intel64
/opt/intel/mkl/lib/intel64
```
配置生效： sudo ldconfig -v
安裝MKL完成

修改Makefile.config

 # BLAS choice:
    # atlas for ATLAS (default)
    # mkl for MKL
    # open for OpenBlas
    BLAS := mkl

cuDNN安裝

cudnn下載
下載地址：https://developer.nvidia.com/cudnn
或者到網盤： http://pan.baidu.com/s/1bnOKBO 下載
下載相應文件cudnn-7.0-linux-x64-v4.0-rc.tgz, 放到~根目錄下

切換到～目錄，執行命令

sudo tar xvf cudnn-7.0-linux-x64-v4.0-rc.tgz
cd cuda/include
sudo cp *.h /usr/local/include/
cd ../lib64
sudo cp lib* /usr/local/lib/
cd /usr/local/lib
sudo chmod +r libcudnn.so.4.0.4
sudo ln -sf libcudnn.so.4.0.4 libcudnn.so.4
sudo ln -sf libcudnn.so.4 libcudnn.so
sudo ldconfig

修改Makefile.config

# cuDNN acceleration switch (uncomment to build with cuDNN).
USE_CUDNN := 1

cudnn版本問題

在make工程的時候出現以下錯誤：

...

NVCC src/caffe/layers/deconv_layer.cu
NVCC src/caffe/layers/cudnn_conv_layer.cu
src/caffe/layers/cudnn_conv_layer.cu(81): error: argument of type "cudnnAddMode_t" is incompatible with parameter of type "const void *"
          detected during instantiation of "void caffe::CuDNNConvolutionLayer<Dtype>::Forward_gpu(const std::vector<caffe::Blob<Dtype> *, std::allocator<caffe::Blob<Dtype> *>> &, const std::vector<caffe::Blob<Dtype> *, std::allocator<caffe::Blob<Dtype> *>> &) [with Dtype=float]" 
(157): here

...

20 errors detected in the compilation of "/tmp/tmpxft_00002703_00000000-16_cudnn_conv_layer.compute_50.cpp1.ii".
make: *** [.build_release/cuda/src/caffe/layers/cudnn_conv_layer.o] Error 1
make: *** Waiting for unfinished jobs....

解決方案：

更換V3版本cudnn Caffe 工程的一些編譯錯誤以及解決方案

$ cd lib64/
$ sudo cp lib* /usr/local/cuda/lib64/
$ cd ../include/
$ sudo cp cudnn.h /usr/local/cuda/include/
$ cd /usr/local/cuda/lib64/
$ sudo rm -r libcudnn.so libcudnn.so.7.0
$ sudo ln -sf libcudnn.so.7.0.64 libcudnn.so.7.0
$ sudo ln -sf libcudnn.so.7.0 libcudnn.so
$ sudo ldconfig

重新編譯測試caffe

編譯
sudo make clean
sudo make all
sample測試：（比不使用cudnn快很多）
sh data/mnist/get_mnist.sh
sh examples/mnist/create_mnist.sh
我們可以將迭代次數增加到50000次
sudo gedit examples/mnist/lenet_solver.prototxt
修改max_iter: 50000
最后：
sh examples/mnist/train_lenet.sh

編譯Python接口

依賴項

sudo apt-get install -y python-numpy python-scipy python-matplotlib python-sklearn python-skimage python-h5py python-protobuf python-leveldb python-networkx python-nose python-pandas python-gflags cython ipython

sudo vi ~/.bashrc
添加： export PYTHONPATH=/home/dl/caffe/python:$PYTHONPATH
sudo ldconfig
sudo make pycaffe -j8

編譯matlab接口

安裝matlab2014
sh /usr/local/MATLAB/R2014a/bin/matlab
Makefile.config 中修改： MATLAB_DIR := /usr/local/MATLAB/R2014a
sudo make matcaffe -j8

其他

Vi編輯命令常用vi編輯器命令行

A:當前行的尾部追加內容

i:游標前插入內容

I:游標后插入內容

o:在鼠標所在行的下面添加內容

O:在鼠標所在行的上面添加內容

ESC:退出編輯模式

Ctrl-T:移動到下一個tab

Backspace:向后移動一個字符

Ctrl-U:刪除當前

cw:刪除游標所在的字符，然后進入編輯模式

cc:刪除游標所在的行，然后進入編輯模式

C:刪除從游標所在的位置到行尾的字符，然后進入編輯模式

dd:刪除當前行

ndd:刪除第n行

D:刪除當前行游標所在的位置后面的字符

dw:刪除郵編所在的字符

d}:刪除當前段剩余的字符

d^:刪除游標前到行首的字符

c/pat:刪除游標后面到第一次匹配字符間的內容

dn:刪除游標后面到下一個匹配字符間的內容

dfa:刪除當前行游標到匹配字符間的內容（匹配的字符也將被刪）

dta:刪除當前行游標到匹配字符間的內容（匹配的字符不被刪）

dL:刪除從游標到屏幕的最后一行之間的內容

dG:刪除從游標到文件末尾之間的內容
J:連結上下兩行的內容

p:在游標后面插入buffer中的內容

P:在游標前面插入buffer中的內容

rx:用x替換字符

Rtext:用text從游標開始處進行替換

u:撤銷最后的改變

U:還原當前行的內容

x:向后刪除游標所在位置的字符

X:向前刪除游標前面的字符

nX:刪除前面的n個字符，游標所在的字符將不會被刪

.:還原最后的改變

~:反轉字母的大小寫

y:拷貝當前行到新的buffer

yy:拷貝當前行

"xyy:拷貝當前行的buffer名為x的buffer

ye:拷貝當單詞的末尾

搜狗輸入法安裝
Ubuntu14.04安裝搜狗輸入法
im-config 然后 ibus選取fcitx
fcitx-config-gtk3

參考資料

Caffe學習系列(1)：安裝配置ubuntu14.04+cuda7.5+caffe+cudnn
Caffe + Ubuntu 15.04 + CUDA 7.5 新手安裝配置指南
ubuntu 14.04 install g++問題＂g++:Depends:g++-4.8(>= 4.8.2-5
ippicv_linux_20141027.tgz
http://stackoverflow.com/questions/25726768/opencv-3-0-trouble-with-installation

本文鏈接：https://blog.csdn.net/Julialove102123/article/details/75125549

智能推薦

《21天實戰caffe》讀書筆記（六）

第六天運行手寫體數字識別例程 1、MNIST數據集 MNIST數據集包括60000個訓練集和10000個測試集，每張圖都已經進行尺寸歸一化、數字居中處理，固定尺寸為28像素*28像素。 MNIST數據集可以在Caffe源碼框架的data/mnist下用get_mnist.sh腳本下載。 MNIST原始數據為4個文件，數據格式描述見下圖。下載到的原始數據集為二進制文件，需要轉換為LEVELDB或...

《深度學習——實戰caffe》——caffe數據結構

caffe中一個CNN模型由Net表示，Net由多個Layer堆疊而成。 caffe的萬丈高樓(Net)是由圖紙（prototxt），用blob這些磚塊筑成一層層（Layer），最后通過SGD方法（Solver）進行簡裝修（train）、精裝修（finetune）實現的。 Blob數據結構介紹 Blob提供了統一的存儲器接口，TensorFlow中的Tensor也有對應的Blob數據結構。 Caf...

深度學習caffe實戰筆記（4）Windows caffe平臺下跑cifar10

上一篇博客介紹了如何用alexnet跑自己的數據，能跑自己的數據按理說再跑cifar10應該沒問題了啊，但是想想還是要把cifar10的記錄下來，因為cifar10數據格式是屬于特殊的數據格式，需要用caffe環境把數據轉換文件編譯出來，這也是后面Siamese網絡所必須的一個步驟，說到Siamese網絡，，，，我要再哭5分鐘。好，五分鐘時間到，我們開始train。另外，如果是Ubuntu系統，跑...

《深度學習——實戰caffe》——繪制網絡模型

python/draw_net.py, 這個文件，就是用來繪制網絡模型的。也就是將網絡模型由prototxt變成一張圖片。在繪制之前，需要先安裝兩個庫１、安裝ＧraphViz 注意，這里用的是apt-get來安裝，而不是pip. 2 、安裝pydot 用的是pip來安裝，而不是apt-get 安裝好了，就可以調用腳本來繪制圖片了 draw_net.py執行的時候帶三個參數第一個參數：網絡模型...

caffe實戰（一）：caffe環境搭建

前言：對于深度學習的初學者來說，Caffe框架絕對是一個坑，搭建環境就花了我將近半個月的時間，在網上找了很多帖子，也沒有什么特別好用的，所以打算根據我的安裝經歷寫下這篇帖子，希望對大家有些幫助，少走一些彎路。一，工具： window 10+VS2013+Anaconda 2+python 2.7 注：這是我個人的配置，僅供參考，當然VS最好是用2013及以上版本。二，Caffe環境配置其他軟...

深度學習21天實戰caffe學習筆記《3 ：準備Caffe環境》

cuda7.5安裝

cuda安裝過程中遇到的問題

Q1

Q2

solution:

Q3

安裝caffe

其他依賴項

opencv3.0安裝

安裝opencv3遇到的問題

安裝BLAS——選擇MKL

cuDNN安裝

cudnn版本問題

解決方案：

重新編譯測試caffe

編譯Python接口

依賴項

編譯matlab接口

其他

參考資料

智能推薦

猜你喜歡