Caffe
-
caffe–2–一文详细了解caffe的文件夹目录结构
caffe的文件夹目录结构 这里，最重要的三个文件夹就是include, tools, src。 include：caffe的实现代码的头文件 tools：保存的源码是用于生成二进制处理程序的，caffe在训练时实际是直接调用这些二进制文件。 src：实现Caffe的源文件 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.…
-
Caffe + Ubuntu 15.04 + CUDA 7.0 安装以及配置
本分分为四个部分，在Ubuntu上调试执行成功。第一部分：nVidia驱动和CUDA Toolkit的安装和调试；第二部分 Python安装和调试；第三部分 Matlab安装和调试；第四部分 Caffe的安装和測试。第一部分：nVidia驱动和CUDA Toolkit的安装和调试这里以CUDA 7.0为例。 一、CUDA Repository 获取CUDA安…
-
caffe调试
这里说一下关于如何进行Caffe的调试； 参考：https://blog.csdn.net/tsyccnh/article/details/51679121 简要说一下步骤： (1）首先对libcaffe和caffe进行编译（DEBUG x64）; (2) 设置相关调试参数： （3）设置断点，进行调试； 注意：可以在代码中加入cout语句输出日志进行调试，但…
-
Ubuntu16.04 +cuda8.0+cudnn+opencv+caffe+theano+tensorflow配置明细
安装英伟达显卡驱动 首先去官网上查看适合你GPU的驱动 （http://www.nvidia.com/Download/index.aspx?lang=en-us） [python] view plain copy sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt-get update …
-
VS2013+Windows+CPU下搭建caffe框架并利用mnist数据集实验
《李凭箜篌引》–李贺 吴丝蜀桐张高秋，空山临云颓不流； 江娥啼竹素女愁，李凭中国弹箜篌； 昆山玉碎凤凰叫，芙蓉泣露香兰笑； 十二门前融冷光，二十三丝动紫皇； 女娲炼石补天处，石破天惊逗秋雨； 梦入神山教神妪，老鱼跳波瘦蛟舞； 吴质不眠倚桂树，露脚斜飞湿寒兔。 一、VS2013+Win10+CPU下搭建caffe框架 l 在github网上下载caffe代码…
-
caffe学习（3）：caffe+win10+vs2013+Gpu配置记录
一、准备工具 1、已经安装好vs2013。 2、BVLC/caffe/tree/windows microsoft/caffe 谁能告诉我，这两个版本有啥区别呢？本次，先用microsoft/caffe进行安装吧，先用这个来学习caffe. 3、CUDA7.5 官方的说法是vs2013要用CUDA 7.5，vs2015要用CUDA 8。选择wind…
-
DEX-6-caffe模型转成pytorch模型办法
在python2.7环境下 文件下载位置：https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/ 1.可视化模型文件prototxt 1）在线可视化 网址为：https://ethereon.github.io/netscope/#/editor 将prototxt文件的内容复制到左边,然后按shift-en…
-
Caffe中卷积的实现
方法：将卷积转化为矩阵相乘 两步： （1）调用im2col函数，将图像（feature map）转化为矩阵 （2）调用GEMM函数，做实际的运算 优点：逻辑简单，易于实现 缺点：耗费大量内存 feature map每一个卷积位置（卷积核将要滑过的位置），展开成一个C∗K∗K维的行向量 继续展开…… 按照这个方式展开完毕之后，得到一个矩阵：H∗W行（因为有H∗…
-
VS2013配置Caffe卷积神经网络工具（64位Windows 7）——准备依赖库
2014年4月的时候自己在公司就将Caffe移植到Windows系统了，今年自己换了台电脑，想在家里也随便跑跑，本来也装了Ubuntu可以很方便的配置好，无奈在家的风格是“娱乐的时候抽空学习”，所以移植到Windows还是很有必要的。但是，公司禁止将公司内部资料带出，很多地方又都忘记了，周末磨了一天终于移植完，本篇为记录将Caffe移植至Windows7 x…
-
Caffe fine-tuning 微调网络
转自Caffe fine-tuning 微调网络 一般来说我们自己需要做的方向，比如在一些特定的领域的识别分类中，我们很难拿到大量的数据。因为像在ImageNet上毕竟是一个千万级的图像数据库，通常我们可能只能拿到几千张或者几万张某一特定领域的图像，比如识别衣服啊、标志啊、生物种类等等。在这种情况下重新训练一个新的网络是比较复杂的，而且参数不好调整，数据量也…
