hunterlew的专栏

假期较早回校，有点时间折腾搞一下caffe，据说是CNN应用一个很好的库。之前看过类似的配置教程，感觉特费劲。偶然，昨晚稍微维护了一下实验室服务器，顺便给自己腾了4核、8G内存的虚拟机玩玩，参考配置教程走了一遍，结果一天就搞定了，比我想象中快呀。下面就把我碰到的过程记录下来，有些错误可能没碰到。       由于大多数教程都是Ubuntu14.04的，我的虚拟机也安装了这个版本，可能碰到的问题

由于某些原因，需要在windows下配置caffe，基本上是按照caffe的windows分支的readme上写的安装的。大致说一下流程：https://github.com/BVLC/caffe/tree/windows1、 安装准备VS2015，python3.5，matlab2017a，cuda8和cudnn。注意python版本不能是3.6，目前仅支持到3.5。我在安装的时候是

为了跟进目标检测框架的最新进展，于是配置了SSD框架并成功运行demo，其中遇到不少坑记录下来。1、假设CUDA、CuDNN、OpenBLAS、OpenCV等都已经安装完毕。我的版本是Ubuntu16.04+CUDA8.0+CuDNN5.0+OpenCV3.0。之前已成功配置过caffe-master。2、下载caffe-ssdgit clone gitclonehttps

本文将对caffe/python下的classify.py代码以及相关的classifier.py和io.py进行解析。一、classify.py由最后的if __name__ == '__main__': main(sys.argv)代表该文件在命令行下运行，则运行main函数，参数存放在sys.argv中。在main函数定义中，分别判断并存入各类参数，分别如下：input_file

训练之前，确认caffe已经编译成功。本文以mstar数据库为例，介绍如何在caffe平台上训练卷及神经网络模型并进行测试。一、准备数据这个步骤是最繁琐，也最容易出错的一步，任何差池都会导致最终训练效果不如人意，建议多花时间检查这部分，确保数据集的质量。1、在data文件夹下新建文件夹mstar，并进入该目录，分别简历train和val文件夹。2、在train和val文件夹下分

最近临近中期答辩，在总结一些以前碰到过的坑，以便后人乘凉。回顾了一下去年配置caffe的完整流程，去年双11买的神舟z7m电脑，性价比很高，显卡是GTX965m的，查了计算能力达5.2，刚买回来后就开始捣腾caffe环境下的配置。当时配置过程一波三折，主要卡在显卡驱动这一环节，因为Ubuntu对Nvidia显卡驱动的支持似乎不是很好。下面给出完整的配置流程。 一、 安装Ubuntu系统