caffe

本博主开更啦！这次带来的教程是在Ubuntu16.04上安装caffe(CPU)+Matlab2014a+Opencv3的详细过程 (亲测成功) 这是 caffe初学者系列 教程的第二部，旨在帮助更多对深度学习感兴趣的同学们！第一部可以参考以下地址： Caffe初学者第一部：Ubuntu14.04上安装caffe(CPU）+Python的详细过程 (亲测成功, 20180524更新) 好啦，开始我们的教程吧！ 前言： 之前的第一部教程发布以后，很受欢迎，看样子我的努力没白费，毕竟写博文花了我好几个小时，感谢同学们的支持啦^_^ 这个第二部教程是在我们实验室的TITAN上配置的，但是并未用到TITAN，根据教程，我在自己的笔记本上也配置成功了，硬件只需要CPU就可以了。 很多教程说Ubuntu16.04安装caffe需要GCC降级，这里安装CPU版本Caffe+Matlab环境并未进行降级，编译时会有警告但是可以忽略，毕竟环境可以运行就OK的啦！接下来，跟着我的步伐，一步两步，一步一步似爪牙，似魔鬼的步伐～ 亲测教程： 本教程需要准备的文件有：Ubuntu16.04, Opencv3（必要）, Matlab2014a. （1）Ubuntu16.04我下载的是Kylin版本，安装教程可以参考以下博客： https://blog.csdn.net/qq_20444875/article

作者|open-mmlab 编译|Flin 来源|Github 基准测试 和 Model Zoo 环境 硬件 8 个 NVIDIA Tesla V100 GPUs Intel Xeon 4114 CPU @ 2.20GHz 软件环境 Python 3.6 / 3.7 PyTorch 1.1 CUDA 9.0.176 CUDNN 7.0.4 NCCL 2.1.15 镜像站点 我们使用AWS作为托管model zoo的主要站点,并在阿里云上维护镜像。 你可以在模型网址中把 https://s3.ap-northeast-2.amazonaws.com/open-mmlab替换为https://open-mmlab.oss-cn-beijing.aliyuncs.com。 常用设置 所有FPN基准和RPN-C4基准均使用8个GPU进行训练,批处理大小为16(每个GPU 2张图像)。其他C4基线使用8个批处理大小为8的GP​​U进行了训练(每个GPU 1张图像)。 所有模型都在 coco_2017_train 上训练以及在 coco_2017_val 测试。 我们使用分布式训练,并且BN层统计信息是固定的。 我们采用与Detectron相同的训练时间表。1x表示12个epoch,而2x表示24个epoch,这比Detectron的迭代次数略少,并且可以忽略不计。

今天聊得是自动化测试与测试用例的编写，首先来聊一聊框架(Framework)。 框架是工程学上一个非常重要的概念。在计算机和软件工程领域，我们可以轻松列举出一些耳熟能详的框架。例如，Windows软件开发框架.NET，Web开发框架React JS、 Angular JS、Python Django、Ruby on Rails, 机器学习框架TensorFlow、Caffe，等。 　　那么，什么是一般意义上的框架呢？首先，框架是一个“架子”。这个架子能够完成领域内基础的、重要的功能。基于这个已有的架子，我们可以将重心放在面向业务的开发上。其次，框架也是一个“框框”。“框框”为我们设置了有形和无形的约束。所谓有形的约束，就是我们的开发工作需要符合框架的定义、与框架兼容。所谓无形的约束，就是我们的开发工作需要承受框架的缺点和不足(毕竟，没有十全十美的框架)。 回到测试自动化领域，什么是测试自动化框架呢？顾名思义，就是用于测试自动化的框架。具体来说，它提供了自动化测试用例编写、自动化测试用例执行、自动化测试报告生成等基础功能。我们只需要基于这个框架，完成和业务高度相关的测试用例设计和实现即可。另外，框架会为我们处理好复杂度与扩展性的问题，我们无需为此操心。 　　相比手动测试，自动化测试更加注重框架。毕竟，自动化测试本质上也是一种软件开发活动，也需要适当的软件框架。在多个项目中

今天聊得是自动化测试与测试用例的编写，首先来聊一聊框架(Framework)。 框架是工程学上一个非常重要的概念。在计算机和软件工程领域，我们可以轻松列举出一些耳熟能详的框架。例如，Windows软件开发框架.NET，Web开发框架React JS、 Angular JS、Python Django、Ruby on Rails, 机器学习框架TensorFlow、Caffe，等。 　　那么，什么是一般意义上的框架呢？首先，框架是一个“架子”。这个架子能够完成领域内基础的、重要的功能。基于这个已有的架子，我们可以将重心放在面向业务的开发上。其次，框架也是一个“框框”。“框框”为我们设置了有形和无形的约束。所谓有形的约束，就是我们的开发工作需要符合框架的定义、与框架兼容。所谓无形的约束，就是我们的开发工作需要承受框架的缺点和不足(毕竟，没有十全十美的框架)。 回到测试自动化领域，什么是测试自动化框架呢？顾名思义，就是用于测试自动化的框架。具体来说，它提供了自动化测试用例编写、自动化测试用例执行、自动化测试报告生成等基础功能。我们只需要基于这个框架，完成和业务高度相关的测试用例设计和实现即可。另外，框架会为我们处理好复杂度与扩展性的问题，我们无需为此操心。 　　相比手动测试，自动化测试更加注重框架。毕竟，自动化测试本质上也是一种软件开发活动，也需要适当的软件框架。在多个项目中

基于Caffe的MNIST数据集训练与测试 原创：转载请注明 https://www.cnblogs.com/xiaoboge/p/10688926.html 摘要 　　 在前面的博文中，我详细介绍了Caffe的网络结构和求解文件，还介绍了如何制作LMDB和Hdf5数据源文件。但是我们还没有完整的介绍过如何在Caffe框架下去训练一个神经网络模型，在本篇博文中我将从最经典、简单的卷积神经网络Lenet（CNN的开端）和最简单的数据集MNIST（手写数字）出发，详细介绍整个网络的训练与测试过程。 1. 项目文件目录介绍 　　首先还是要先介绍一下我的文件目录，我在目录E:\caffe_program下面创建了一个mnist文件夹，mnist文件夹下面包括了所有训练模型的必要文件，还要保存训练之后的模型。请看mnist文件夹下的文件结构： 　　其中，data文件夹下包括了制作数据集的所有文件，还包括制作出来的LMDB格式的数据文件；Lenet_model将用于存储训练过的模型文件；剩下的分别是网络结构、求解文件以及训练网络的bat文件。 2. MNIST数据集介绍与下载 　 　MNIST 是一个手写数字数据库，由Google实验室的Corinna Cortes和纽约大学柯朗研究院的Yann LeCun等人建立。MNIST 最初用于支票上的手写数字识别, 现在成了Deep

#caffe-windows之手写体数字识别例程mnist ##一、训练测试网络模型 1.准备数据 Caffe不是直接处理原始数据的，而是由预处理程序将原始数据变换存储为LMDB格式，这种方式可以保持较高的IO效率，加快训练时的数据加载速度。模型通常用ProtoBuffer文本格式表述，训练结果保存为ProtoBuffer二进制文件或是HDF5格式文件。 下载数据至数据文件夹D:\Ammy\caffe\caffe-master\data\mnist 编写数据转换脚本，将原始数据转换成lmdb数据格式，包括训练数据转换脚本create_minist_trainlmdb.bat和测试数据转换脚本create_minist_testlmdb.bat，保存至数据文件夹，脚本内容具体如下，也可以直接在命令行窗口(cmd打开)直接运行。 <-----脚本格式解析：数据转换运行程序+' '+图像数据+' '+标签数据+' '+保存路径----- > <-----create_minist_trainlmdb.bat-----> D:\Ammy\caffe\caffe-master\Build\x64\Release\convert_mnist_data.exe ./train-images.idx3-ubyte ./train-labels.idx1-ubyte ..\..\examples

#caffe-windows之手写体数字识别例程mnist ##一、训练测试网络模型 1.准备数据 Caffe不是直接处理原始数据的，而是由预处理程序将原始数据变换存储为LMDB格式，这种方式可以保持较高的IO效率，加快训练时的数据加载速度。模型通常用ProtoBuffer文本格式表述，训练结果保存为ProtoBuffer二进制文件或是HDF5格式文件。 下载数据至数据文件夹D:\Ammy\caffe\caffe-master\data\mnist 编写数据转换脚本，将原始数据转换成lmdb数据格式，包括训练数据转换脚本create_minist_trainlmdb.bat和测试数据转换脚本create_minist_testlmdb.bat，保存至数据文件夹，脚本内容具体如下，也可以直接在命令行窗口(cmd打开)直接运行。 <-----脚本格式解析：数据转换运行程序+' '+图像数据+' '+标签数据+' '+保存路径----- > <-----create_minist_trainlmdb.bat-----> D:\Ammy\caffe\caffe-master\Build\x64\Release\convert_mnist_data.exe ./train-images.idx3-ubyte ./train-labels.idx1-ubyte ..\..\examples

从一到二：利用 mnist 训练集生成的 caffemodel 对 mnist 测试集与自己手写的数字进行测试 通过从零到一的教程，我们已经得到了通过mnist训练集生成的caffemodel，主要包含下面四个文件： 接下来就可以利用模型进行测试了。关于测试方法按照上篇教程还是选择bat文件，当然python、matlab更为方便，比如可以迅速把识别错误的图片显示出来。 一、均值文件mean.binaryproto 在进行分类之前首先需要产生所有图片的平均值图片，真正分类时的每个图片都会先减去这张平均值图片再进行分类。这样的处理方式能够提升分类的准确率。 产生均值文件的方法是利用解决方案中的compute_image_mean.exe，位于目录\caffe-windows\Build\x64\Release下。回到caffe-windows根目录下创建一个mnist_mean.txt，写入如下内容： 我的是生成lmdb格式。 将后缀名改为bat后双击运行(其实写了那么多bat文件也应该有体会了，只要指定的路径正确就行，不一定非要放在caffe-windows根目录下)。正确运行的话会在根目录下产生一个mean.binaryproto，也就是我们所需要的均值文件。接着为了使用均值文件需要稍微修改下层的定义。所以打开\examples\mnist\lenet_train_test

【推荐阅读】微服务还能火多久？>>> 文章作者：Tyan 博客： noahsnail.com | CSDN | 简书 声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！ 翻译论文汇总： https://github.com/SnailTyan/deep-learning-papers-translation U-Net: Convolutional Networks for Biomedical Image Segmentation Abstract There is large consent that successful training of deep networks requires many thousand annotated training samples. In this paper, we present a network and training strategy that relies on the strong use of data augmentation to use the available annotated samples more efficiently. The architecture consists of a contracting path to capture context and a symmetric

【推荐阅读】微服务还能火多久？>>> 本篇文章主讲 这篇博客 中的（http://blog.csdn.net/sinat_30071459/article/details/50546891）的这个部分，如图所示 注：截图来自 小咸鱼_ 的博客。 也就是说本文重点教你如何去编译你自己需要的mex文件。 1.准备工作 首先先提醒一下，假如你的显卡的显存还不够3G，那么快去换设备吧，不然好不容易搭好了环境发现实验跑不了岂不是很坑？？ 话说我之前也是不会自己编译，也是从网上各种找别人编译好的external文件，然后按照别人的软件环境，再从自己的电脑上装相应的环境，简直烦！于是终于决定自己学一学怎么去自己编译需要的external文件，好了，废话不多说，让我们进入正题。 1）所需软件 我先说明一下我用到的软件： （1）VS2013（update5版本的，不是的话自己去升级，升级的方法 戳这里 ） （2）MATLAB2014b（你可以装其他版本的，这个你随意） （3）CUDA6.5（你同样可以装其他你需要的版本） （4）openCV 2.4.9（没有的话 戳这里 ，提取密码: c6b2） （5）boost_1_57_0（没有的话还是 戳这里 ，提取密码：fiy7） （6）MKL（还是 戳这里 ，提取密码：pwi7） 上面的安装顺序最好不要乱，否则可能出现Matlab找不到vs的情况