caffe

常用深度学习框——Caffe/ TensorFlow / Keras/ PyTorch/MXNet 一．概述 近几年来，深度学习的研究和应用的热潮持续高涨，各种开源深度学习框架层出不穷，包括TensorFlow，Keras，MXNet，PyTorch，CNTK，Theano，Caffe，DeepLearning4，Lasagne，Neon，等等。Google，Microsoft等商业巨头都加入了这场深度学习框架大战，当下最主流的框架当属TensorFlow，Keras，MXNet，PyTorch，Caffe接下来对这四种主流的深度学习框架从几个不同的方面进行简单的对比。 选择框架，建议几个点考虑： 1）框架能不能解决你的问题。比如某些框架对rnn或者lstm支持不足。 这个是必要条件。下面的都附加条件。 2）框架的资源是否足够。比如文档，社区，开源的项目支持。 3）框架是否易于上手，学习曲线如何。这个就因人而异了。 4）框架应用是否和现有系统匹配。这个也是根据你自己的具体情况了。 二. Caffe Caffe作为入门级的深度学习框架，对于一般的深度学习任务，如图像分类/ 目标检测/ 实例分割等，存在已有的代码供大家参考，使得上手很快，需要新手修改的地方一般为配置文件，基本不需要书写代码。而且Caffe是基于C++的代码，因此训练方面很快。因此，作为新手入门这是一个很好的框架

含光800云服务器，配备阿里平头哥自研神经网络加速芯片含光800，提供全球最高单芯片AI推理性能，有着同类处理器的数十倍性能；并针对业务场景做了深度优化，广泛适用于图像搜索、场景识别、视频内容识别、自然语言处理等业务，为客户提供超高性价比的推理解决方案。 阿里云城市大脑交通信号机系统使用含光800服务器处理车辆检测、品牌识别、车牌识别等算法模型，单张含光800全链路能够支持100路实时视频的分析和特征结构化数据的提取，相比GPU性能提升超过5倍。 阿里电商平台合规经营也在含光800云服务器上建立了多维度全方位的风险识别机制。在同样的算法精度下，性价比是GPU的4倍。 据悉，含光云服务器还基于阿里云自研的神龙云服务器架构，为用户提供弹性裸金属加速实例，兼顾了物理服务器的功能性能优势，以及云计算的高可用优势。开发工具采用阿里平头哥HGAI自动化开发工具，支持主流深度学习框架TensorFlow、Caffe、MXNet和ONNX。 今年3月，阿里云飞天AI加速引擎AIACC与含光800的组合，打败了Google，拿下了斯坦福大学DAWNBench ImageNet推理成本的世界第一，能效比达500IPS/W，是第二名的3.3倍。 AIACC是业界首次统一加速Tensorflow、PyTorch、MXNET、Caffe等主流开源框架的性能加速引擎，AIACC

这 是微笑哥8月第1次 人物分享。 全文4000字，阅读 请谨慎。 作者 | 云游小生 来源 | 纯洁的微笑 转载授权 （ID:keeppuresmile） 贾扬清一度担心自己毕业就失业。 当他站在台上，以阿里巴巴副总裁的身份开始演讲时，世界开始认识这个年仅35岁的年轻人。 如果走在马路上，或者在杭州街边，你遇见他，他可能跟其他程序员一样，格子衫、双肩包和一张羞赧的笑脸。 看上去他普通的不能再普通了，如果你知道他的经历，一定惊为天人。 01 清华也沮丧 刚从学校毕业，贾扬清就进了谷歌，头上顶着研究科学家的光环，埋头搞AI。 谷歌呆了两年，跳槽Facebook，做了AI架构总监。 Google、Facebook、亚马逊，科技圈里的明星企业，也被称为“顶尖科学家收割机”，更是公认硅谷薪水最高的公司。 当AI圈里的人还在争论，贾扬清会不会回来报效祖国，他已经悄悄成了阿里副总裁，花名——去掉偏旁三点水：扬青。 写代码，38岁并不是最好的年纪。不是整日担忧中年危机的降临，就是担心头顶仅存的稀疏头发。 贾扬清今年38岁，头发依然茂密，中年似乎没有危机，只有转机。 1982年，贾扬清出生于绍兴上虞，父母都是中学语文老师。 老师的孩子不一定爱读书，但一定会寂寞。别的孩子回家有父母，但老师的孩子只有老师。 在那个没有网络的年代，看书是满足对世界好奇的唯一方法。学会识字，贾扬清就经常一个人安静看书。

反卷积（转置卷积、空洞卷积（微步卷积））近几年用得较多，本篇博客主要是介绍一下反卷积，尤其是怎么计算反卷积（选择反卷积的相关参数） 图1 空洞卷积（微步卷积）的例子，其中下面的图是输入，上面的图是输出，显然这是一个upsampling的过程，我们也称为反卷积。 首先，既然本文题名为反卷积（Deconvolution） ，当然就是要介绍各种反卷积，不得不说的是随着近几年人工智能如火如荼，大牛纷纷在各个角度开始深入研究这个深度学习，这当然就是更广了同时也更深了，但是只要抓住深度学习的命门，其实很多工作都是顺理成章的，没有想象中的那么复杂，也许这也是我对深度学习的一点小小的感悟。反卷积，它有这几个比较熟悉的名字，例如转置卷积、上采样、空洞卷积、微步卷积，但我们认为，最直接的就是反卷积=上采样=（转置卷积+微步卷积） ⊆ 空洞卷积=一般意义上的广义卷积（包含上采样和下采样）。 另外，在概念上，我们只是将其称为反卷积，这不是通过数学意义上的严格证明，其实只是说恢复了特征图的尺寸大小，数值上存在差异。 为了方便说明，对二维的离散卷积，定义如下： 方形的特征输入（ i 1 = i 2 = i ） 方形的卷积核尺寸（ k 1 = k 2 = k ） 每个维度相同的步长（ s 1 = s 2 = s ） 每个维度相同的padding ( p 1 = p 2 = p ) 下图表示参数为 ( i = 5

点击上方“ 计算机视觉cv ”即可“进入公众号” 重磅干货第一时间送达 本文来自6月份出版的新书 《 OpenCV深度学习应用与性能优化实践 》 ，作者团队也是OpenCV DNN 模块的主要贡献者，是国内唯一的系统介绍OpenCV DNN 推理模块原理和实践的书，文末有福利， 留言赠书 1 本 。 OpenCV 是业界使用最为广泛的计算机视觉库，随着深度学习在计算机视觉领域的广泛应用，OpenCV 自3.3开始加入对深度学习推理的支持，即OpenCV DNN模块。 它支持TensorFlow、Caffe、Torch、DarkNet、ONNX 和 OpenVINO 格式的网络模型，开发者无需考虑模型格式的差异，直接调用DNN模块相关接口即可快速创建深度学习应用。 OpenVINO是英特尔推出的视觉推理加速工具包。OpenCV 3.4.1版本加入了英特尔推理引擎后端（英特尔推理引擎是OpenVINO中的一个组件），为英特尔平台的模型推理进行加速。 本文将以MobileNet-SSD模型为例，展示如何使用OpenCV和OpenVINO快速创建深度学习应用。 在深入代码之前，让我们了解一下OpenVINO工具包以及OpenCV是如何跟OpenVINO交互的。 OpenVINO工具包 2018 年 5 月 Intel 发布了 OpenVINO（Open Visual Inferencing

原文： https://zhuanlan.zhihu.com/p/76318150 lmdb是Cafffe中应用的一种数据库，采用内存-映射文件（memory-mapped files），拥有非常好的I/O性能，而AnnotatedDatum是caffe在LMDB数据库上保存数据的一种格式，主要用于SSD等目标检测模型训练数据的保存。 在SSD-caffe的官方代码中（好像不算官方，是第三方实现的），模型训练是通过自定义层读取读取LMDB数据库文件进行数据导入的，而指定格式的LMDB数据则是通过两个脚本调用C++库生成，查阅代码后发现对应C++库只能读取图像文件，而笔者的训练数据格式特殊，要想生成对应的LMDB文件就必须改caffe的代码并编译，或者自己写一个工具来生成LMDB文件，毫无疑问后者更简单，因此 本文主要内容是如何在Python下生成正确格式的LMDB数据以用于训练 ，以下正文。 首先我们按照官方的脚本生成了正确格式的lmdb文件，然后通过代码读取进来查看它的结构 import lmdb import numpy as np import cv2 from caffe.proto import caffe_pb2 lmdb_env = lmdb.open('VOC0712_test_lmdb') lmdb_txn = lmdb_env.begin() # 生成处理句柄