codeblock配置caffe

一、前言

      由于gdb调试caffe诸多不易，为节约时间，使用codeblock调试caffe，有助于理解caffe源码，这里记录配置过程，这要参考以下博文

二、配置前提

1.安装好caffe，并配置好环境，由于只是为了理解源码，故使用CPU模型，容易配置些，故在Makefile需将以下的注释去掉

CPU_ONLY := 1

OPENCV_VERSION := 3

之后make -j8 && make pycaffe ,再执行 make distribute 

2.安装codeblock

三、创建codeblock工程

      使用 codeblock 在caffe-master路径下创建empty工程，之后在工程中添加caffe-master/tools/caffe.cpp ；在训练中主要就是使用caffe.bin，caffe.bin是caffe.cpp编译得到的，对工程右键点击选择Build options... ,我只配置了debug的环境。

       之后的配置就与这篇博文的一致了 http://blog.csdn.net/geekjzy/article/details/53907556

       配置完之后，ctrl+F9 编译发现只是警告没错误

四、输入命令行训练 lenet模型

       由于此时使用命令行参数训练lenet模型（还是它），使用的是CPU模式，而且lenet_train_test.prototxt等的位置必须使用绝对路径才能找到，更改lenet_solver.prototxt文件如下：

# The train/test net protocol buffer definition
net: "/opt/caffe-master/examples/mnist/lenet_train_test.prototxt"  //这是 模型文件的绝对路径
# test_iter specifies how many forward passes the test should carry out.
# In the case of MNIST, we have test batch size 100 and 100 test iterations,
# covering the full 10,000 testing images.
test_iter: 100
# Carry out testing every 500 training iterations.
test_interval: 500
# The base learning rate, momentum and the weight decay of the network.
base_lr: 0.01
momentum: 0.9
weight_decay: 0.0005
# The learning rate policy
lr_policy: "inv"
gamma: 0.0001
power: 0.75
# Display every 100 iterations
display: 100
# The maximum number of iterations
max_iter: 10000
# snapshot intermediate results
snapshot: 5000
snapshot_prefix: "/opt/caffe-master/examples/mnist/lenet"   //这是训练权值的保存路径
# solver mode: CPU or GPU
solver_mode: CPU   //选择CPU模式

       另外，模型文件  lenet_train_test.prototxt  里面使用的Lmdb 的路径也要改为绝对路径，不然读取不了数据，如下：

      

之后在codeblock中 Project->set program's argument 设置命令行参数，argv[0]不用填了,我的如下：

       
五、运行

       

       可以看到程序运行起来了，但是输出跟在终端的不一样，可能是软件本身的问题，这里直接把输出Read time、Prefetch time、Transform time去掉，即把data_layers里 load_batch函数的输出给注释。

       

      由于修改了源码，需要按照开头的方法重新Make过。这样就不会有输出杂七杂八的time

      

     可以在codeblock打断点单步调试caffe训练过程了。