tiny dnn 是一个小型 轻量级的深度学习框架,以存粹C++开发,应用简单,只需要导入一个头文件,便可以轻松应用。#include ''tiny_dnn/tiny_dnn.h"。虽然tiny dnn 比起 tensorflow 那样的深度学习框架来说,显得知者甚少,但是为了满足一众爱好者需要,这里将linux下编译的经验写下来。
第一步,在github上下载 tiny dnn
地址:https://github.com/tiny-dnn/tiny-dnn.git
第二补,cmake & make 安装
cmake 安装,我参看的博客https://www.cnblogs.com/weiqinglan/p/5681539.html ,感谢同仁们的辛勤奉献,让我少花费好多时间。在cmake 安装之后,记得重启linux系统。
在cmake安装之后需要安装make ,只需要执行命令 sudo apt install make
第三步,编译
进入 下载的tiny dnn 文件夹,执行命令
cmake . -DBUILD_EXAMPLES=ON
make
或者,请注意后面那个小点不是我打的句号,这一个命令是允许使用TBB,也就是tiny dnn 一个并行加速方法。
cmake -DUSE_TBB=ON -DBUILD_TESTS=ON . make
第四步,运行测试
以上完成之后,就可以进行训练
$ ./examples/example_mnist_train --data_path ./data
data指的是放数据的路几个
然后,代码就开始训练,
然后呢,用训练好的模型,测试
这一步骤可以参看博客,
https://www.cnblogs.com/YangQiaoblog/p/6646079.html
第五步,测试自己的代码
虽然用了官方的代码练手,但是毕竟还需要测试自己的代码。不过楼主懒,用了example下的mainc.cpp 来做测试。
首先呢,要保证g++ 安装完整,g++安装步骤,apt install g++
然后 在tiny dnn 主目录下 tiny_dnn_master (我的路径是这样)$ g++ -I ./ ./examples/main.cpp -lpthread -o mymain
其中,-I . 就是将整个主目录设置为头文件搜索路径,因为main.cpp 有包含 主目录下子文件夹中的头文件。 -lpthread 开始的时候可以尝试不用,但如果出现以下问题 对'pthread_create'未定义的引用,则果断加上,原因参考如下https://www.techforgeek.info/pthread_undefine.html 。
-o 则是将main.cpp 输出的路径名称
编译完成之后,运行 ./mymain 就可调用main函数了。