Caffe安装

于 2024-06-23 00:17:36 发布
阅读量622 收藏 25
点赞数 34
分类专栏： 人工智能运维技术 文章标签： caffe 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44807756/article/details/139890535
版权

⚠申明： 未经许可，禁止以任何形式转载，若要引用，请标注链接地址。 全文共计10449字，阅读大概需要20分钟
🌈更多学习内容， 欢迎👏关注👀【文末】我的个人微信公众号：不懂开发的程序猿
⏰个人网站：https://jerry-jy.co/

❗❗❗知识付费，🈲止白嫖，有需要请后台私信或【文末】个人微信公众号联系我

Caffe安装

Caffe安装

任务背景

Caffe是一个深度学习框架，最初开发于加利福尼亚大学伯克利分校。Caffe在BSD许可下开源，使用C++编写，带有Python接口。是贾扬清在加州大学伯克利分校攻读博士期间创建了Caffe项目。项目托管于GitHub，拥有众多贡献者。Caffe应用于学术研究项目、初创原型甚至视觉、语音和多媒体领域的大规模工业应用。所以我们要学会如何使用它。

任务需求

  1. 在Linux操作系统上搭建一个Caffe并运行它。

任务步骤

  1. 安装Caffe
  2. 运行Caffe

任务结果

安装成功运行结果
在这里插入图片描述

编程运行结果
在这里插入图片描述

任务实施过程

  1. 安装Caffe

知识点

  1. Caffe安装

实验目的

  1. 掌握如何安装Caffe

实验描述

  1. 完成Caffe在Linux操作系统的安装

实验环境

  1. Oracle Linux 7.4操作系统

实验步骤

1.打开终端

  1. 在桌面点击鼠标右键，选择在此打开终端
    在这里插入图片描述

  2. 打开终端
    在这里插入图片描述

2.安装Caffe

  1. 进入到文件目录并查看该目录下的文件
cd /root/soft/caffe/caffe

在这里插入图片描述

  1. 运行命令
cmake .

在这里插入图片描述
在这里插入图片描述

  1. 运行命令
cmake .
  1. 创建配置文件（此处也可以cp Makefile.config.example Makefile.config）
vim Makefile.config

在这里插入图片描述

  1. 复制配置命令
## Refer to http://caffe.berkeleyvision.org/installation.html
# Contributions simplifying and improving our build system are welcome!

# cuDNN acceleration switch (uncomment to build with cuDNN).
USE_CUDNN := 1

# CPU-only switch (uncomment to build without GPU support).
# CPU_ONLY := 1

# uncomment to disable IO dependencies and corresponding data layers
# USE_OPENCV := 0
# USE_LEVELDB := 0
# USE_LMDB := 0
# This code is taken from https://github.com/sh1r0/caffe-android-lib
# USE_HDF5 := 0

# uncomment to allow MDB_NOLOCK when reading LMDB files (only if necessary)
#	You should not set this flag if you will be reading LMDBs with any
#	possibility of simultaneous read and write
# ALLOW_LMDB_NOLOCK := 1

# Uncomment if you're using OpenCV 3
# OPENCV_VERSION := 3

# To customize your choice of compiler, uncomment and set the following.
# N.B. the default for Linux is g++ and the default for OSX is clang++
CUSTOM_CXX := g++

# CUDA directory contains bin/ and lib/ directories that we need.
CUDA_DIR := /usr/local/cuda
# On Ubuntu 14.04, if cuda tools are installed via
# "sudo apt-get install nvidia-cuda-toolkit" then use this instead:
# CUDA_DIR := /usr

# CUDA architecture setting: going with all of them.
# For CUDA < 6.0, comment the *_50 through *_61 lines for compatibility.
# For CUDA < 8.0, comment the *_60 and *_61 lines for compatibility.
# For CUDA >= 9.0, comment the *_20 and *_21 lines for compatibility.
CUDA_ARCH := -gencode arch=compute_20,code=sm_20 \
		-gencode arch=compute_20,code=sm_21 \
		-gencode arch=compute_30,code=sm_30 \
		-gencode arch=compute_35,code=sm_35 \
		-gencode arch=compute_50,code=sm_50 \
		-gencode arch=compute_52,code=sm_52 \
		-gencode arch=compute_60,code=sm_60 \
		-gencode arch=compute_61,code=sm_61 \
		-gencode arch=compute_61,code=compute_61

# BLAS choice:
# atlas for ATLAS (default)
# mkl for MKL
# open for OpenBlas
BLAS := atlas
# Custom (MKL/ATLAS/OpenBLAS) include and lib directories.
# Leave commented to accept the defaults for your choice of BLAS
# (which should work)!
# BLAS_INCLUDE := /path/to/your/blas
# BLAS_LIB := /path/to/your/blas

# Homebrew puts openblas in a directory that is not on the standard search path
# BLAS_INCLUDE := $(shell brew --prefix openblas)/include
# BLAS_LIB := $(shell brew --prefix openblas)/lib

# This is required only if you will compile the matlab interface.
# MATLAB directory should contain the mex binary in /bin.
# MATLAB_DIR := /usr/local
# MATLAB_DIR := /Applications/MATLAB_R2012b.app

# NOTE: this is required only if you will compile the python interface.
# We need to be able to find Python.h and numpy/arrayobject.h.
PYTHON_INCLUDE := /usr/include/python2.7 \
		/usr/lib/python2.7/dist-packages/numpy/core/include
# Anaconda Python distribution is quite popular. Include path:
# Verify anaconda location, sometimes it's in root.
# ANACONDA_HOME := $(HOME)/anaconda
# PYTHON_INCLUDE := $(ANACONDA_HOME)/include \
		# $(ANACONDA_HOME)/include/python2.7 \
		# $(ANACONDA_HOME)/lib/python2.7/site-packages/numpy/core/include

# Uncomment to use Python 3 (default is Python 2)
# PYTHON_LIBRARIES := boost_python3 python3.5m
# PYTHON_INCLUDE := /usr/include/python3.5m \
#                 /usr/lib/python3.5/dist-packages/numpy/core/include

# We need to be able to find libpythonX.X.so or .dylib.
PYTHON_LIB := /usr/lib
# PYTHON_LIB := $(ANACONDA_HOME)/lib

# Homebrew installs numpy in a non standard path (keg only)
# PYTHON_INCLUDE += $(dir $(shell python -c 'import numpy.core; print(numpy.core.__file__)'))/include
# PYTHON_LIB += $(shell brew --prefix numpy)/lib

# Uncomment to support layers written in Python (will link against Python libs)
WITH_PYTHON_LAYER := 1

# Whatever else you find you need goes here.
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial

# If Homebrew is installed at a non standard location (for example your home directory) and you use it for general dependencies
# INCLUDE_DIRS += $(shell brew --prefix)/include
# LIBRARY_DIRS += $(shell brew --prefix)/lib

# NCCL acceleration switch (uncomment to build with NCCL)
# https://github.com/NVIDIA/nccl (last tested version: v1.2.3-1+cuda8.0)
USE_NCCL := 1

# Uncomment to use `pkg-config` to specify OpenCV library paths.
# (Usually not necessary -- OpenCV libraries are normally installed in one of the above $LIBRARY_DIRS.)
# USE_PKG_CONFIG := 1

# N.B. both build and distribute dirs are cleared on `make clean`
BUILD_DIR := build
DISTRIBUTE_DIR := distribute

# Uncomment for debugging. Does not work on OSX due to https://github.com/BVLC/caffe/issues/171
# DEBUG := 1

# The ID of the GPU that 'make runtest' will use to run unit tests.
TEST_GPUID := 0

# enable pretty build (comment to see full commands)
Q ?= @

在这里插入图片描述

ESC退出编辑模式，输入:wq保存文件

6.运行命令（等待安装）

make pycaffe

在这里插入图片描述
在这里插入图片描述

  1. 运行命令（等待安装）
make all

在这里插入图片描述
在这里插入图片描述

  1. 进入python交互环境
python

在这里插入图片描述

  1. 引入Caffe模块
import caffe
  1. 查看Caffe版本
print(caffe.__version__)

在这里插入图片描述

  1. 退出交互环境
quit()

在这里插入图片描述

2.训练并验证

知识点

Caffe的简单使用

实验目的

  1. 掌握Caffe的简单使用

实验描述

  1. 训练并验证模型。

实验环境

  1. Caffe1.0.0
  2. Oracle Linux7.4

实验步骤

实验过程

  1. 创建Python工程，鼠标点击桌面上的PyCharm图标，打开PyCharm集成开发工具，如下图：
    在这里插入图片描述

  2. 选择 Create New Project菜单项，创建一个新的项目工程，如图：
    在这里插入图片描述

  3. 输入工程名 project ，如下图：
    在这里插入图片描述

  4. 点击Create按钮，如下图：
    在这里插入图片描述

  5. 鼠标点击项目中project文件夹，单击右键选择New,子菜单中选择Python Package,如下图所示：
    在这里插入图片描述

  6. 弹出对话框，如下图：
    在这里插入图片描述

  7. 窗口输入框中填写创建的包名experiment，如下图：
    在这里插入图片描述

  8. 点击按钮OK，如下图：
    在这里插入图片描述

  9. 鼠标点击包experiment，单击右键选择New,子菜单中选择Python File,如下图所示：
    在这里插入图片描述

  10. 弹出窗口，如下图：
    在这里插入图片描述

  11. 弹出窗口中填写类名，如下图：
    在这里插入图片描述

  12. 创建的TestCaff1类中，黏贴如下代码

# -*- coding:utf-8 -*-
"""
LMDB 是使用Caffe处理大型数据集时的首选数据库。这是一个关于如何从 Python 创建 LMDB 数据库的教程。首先，让我们看看在 HDF5 上使用 LMDB 的优缺点。
使用 HDF5 的原因：
读/写的简单格式。
使用 LMDB 的原因：
LMDB 使用内存映射文件，提供更好的 I/O 性能。
适用于非常大的数据集。HDF5 文件始终完全读入内存，因此任何 HDF5 文件都不能超出内存容量。不过，您可以轻松地将数据拆分为多个 HDF5 文件（只需h5在文本文件中放置多个文件路径）。再说一次，与 LMDB 的页面缓存相比，I/O 性能几乎没有那么好。
来自 Python 的 LMDB
您将需要 Python 包lmdb以及 Caffe 的 python 包（make pycaffe在 Caffe 中）。LMDB 提供键值存储，其中每个 <key, value> 对将是我们数据集中的一个样本。键将只是一个 ID 值的字符串版本，该值将是DatumCaffe 中类的序列化版本（使用protobuf构建）。
"""
# caffe模块要在Python的路径下;
# 这里我们将把caffe 模块添加到Python路径下.
import sys

caffe_root = '/root/soft/caffe/caffe/'  # 该文件要从路径{caffe_root}/examples下运行，否则要调整这一行。
sys.path.insert(0, caffe_root + 'python')
import caffe

import numpy as np
import lmdb

N = 1000

# 构造数据
X = np.zeros((N, 3, 32, 32), dtype=np.uint8)
y = np.zeros(N, dtype=np.int64)

# 设置次数
map_size = X.nbytes * 10

env = lmdb.open('mylmdb', map_size=map_size)

with env.begin(write=True) as txn:
    # txn是一个事务对象
    for i in range(N):
        datum = caffe.proto.caffe_pb2.Datum()
        datum.channels = X.shape[1]
        datum.height = X.shape[2]
        datum.width = X.shape[3]
        datum.data = X[i].tobytes()
        datum.label = int(y[i])
        str_id = '{:08}'.format(i)
        # 设置编码格式
        txn.put(str_id.encode('ascii'), datum.SerializeToString())

在这里插入图片描述

  1. 弹出窗口中填写类名，如下图：
    在这里插入图片描述

  2. 创建的TestCaff2类中，黏贴如下代码

# -*- coding:utf-8 -*-
# 您还可以从 Python 打开并检查现有的 LMDB 数据库：
# caffe模块要在Python的路径下;
# 这里我们将把caffe 模块添加到Python路径下.
import sys

caffe_root = '/root/soft/caffe/caffe/'  # 该文件要从路径{caffe_root}/examples下运行，否则要调整这一行。
sys.path.insert(0, caffe_root + 'python')
import caffe

import numpy as np
import lmdb


env = lmdb.open('mylmdb', readonly=True)
with env.begin() as txn:
    raw_datum = txn.get(b'00000000')

datum = caffe.proto.caffe_pb2.Datum()
datum.ParseFromString(raw_datum)

flat_x = np.fromstring(datum.data, dtype=np.uint8)
x = flat_x.reshape(datum.channels, datum.height, datum.width)
y = datum.label
print(x, y)

# # 迭代 <key, value> 对：
# with env.begin() as txn:
#     cursor = txn.cursor()
#     for key, value in cursor:
#         print(key, value)

在这里插入图片描述

  1. 代码中点击鼠标右键选择Run运行程序，如下图：
    在这里插入图片描述

  2. 执行结果如下图
    在这里插入图片描述

  3. 代码中点击鼠标右键选择Run运行程序，如下图：
    在这里插入图片描述

  4. 执行结果如下图
    在这里插入图片描述

–end–

说明

本实验（项目）/论文若有需要，请后台私信或【文末】个人微信公众号联系我

不懂开发的程序猿
关注
  • 34
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
python安装caffe_Caffe安装笔记二：Caffe安装过程
weixin_40003780的博客
12-14 3132
下面开始正题，caffe的安装过程。因为出问题很多，所以实际上我是尝试了python2和python3两种python的接口。下面一并放出来。1.安装build-essentialsudo apt-get installbuild-essential这个是一些基本的库，具体包括哪些，安装前确认时会显示，印象中有gcc等等。2. boost安装caffe官网给出的是sudo apt-get inst...
测试caffe安装成功_windows系统下Caffe的安装<深度学习系列>
weixin_42526068的博客
01-14 529
一.环境的准备Visual studio2013(编译环境)64位Win7/10系统(操作系统)Notepad+++中文编码器(用于写或修改代码)二.caffe的CPU版本安装(Debug版本和Release版本)1.从github下载Caffe的windows分支。https://github.com/BVLC/caffe/caffe压缩包https://github.com/BVLC/caff...
caffe安装
a12345787674的博客
09-08 1314
Ubuntu16.04系统 RTX3090 caffe安装测试
caffe 安装
weixin_41041772的博客
12-06 692
ubuntu16成功安装caffe
caffe安装步骤
xiangfengl的专栏
06-06 2468
1、创建虚拟环境 2、进入caffe环境 3、添加anaconda通道 4、安装CPU版本caffe 5、cuda的可以安装caffe的gpu版本
caffe安装教程
wolf2345的博客
01-03 3083
这篇安装指南，适合零基础，新手操作，请高手勿要吐槽！ 简单介绍一下：Caffe，一种ConvolutionalNeural Network的工具包，和Alex的cuda-convnet功能类似，但各有特点。都是使用C++CUDA进行底层编辑，Python进行实现，原作主要部署于Ubuntu，也有大神发布了Windows版，但其他相关资料较少，不适合新手使用，所以还是Ubuntu的比较适合新手
caffe安装指南
qq_44132116的博客
05-18 628
1.caffe现在安装只支持cudnn7.0版本的，不支持cudnn8.0版本以上的，要千万注意。 2.如果要安装caffe，则cuda10.2+cudnn7.6.5是比较好适配的。 3.具体安装指南请参考（亲测有效）： 添加链接描述
Ubuntu16.04 Caffe 安装步骤记录（超详尽）
热门推荐
yhao的博客
05-19 26万+
历时一周终于在 ubuntu16.04 系统成功安装 caffe 并编译，网上有很多教程，但是某些步骤并没有讲解详尽，导致配置过程总是出现各种各样匪夷所思的问题，尤其对于新手而言更是欲哭无泪，在我饱受折磨后决定把安装步骤记录下来，尽量详尽清楚明白，避免后来小白重蹈覆辙。安装硬件： intel i5 + NVIDIA 740 M安装流程细分为如下10个步骤，细化步骤粒度更易避免出错
安装caffe环境
pssbjn的博客
05-03 736
有些算法基于老旧的caffe框架进行开发，对于算力有限的场景仍然有应用空间。caffe框架基于C/C++开发，源码逻辑清晰，便于验证和移植到嵌入式平台。一些老旧的嵌入式处理器的模型转换工具仅支持输入caffe模型文件。以上这些都是caffe框架的常见使用场景。 由于caffe框架过于老旧，依赖的库大都也比较老旧，库之间的依赖关系经常缺失导致安装失败，直接在主机上安装caffe环境常常会引起依赖库之间的版本冲突。这里用docker安装caffe环境，可以很方便地迁移。
caffe 安装教程
02-28
Windows caffe 安装教程 faster rcnn跑通教程 Windows7/10 64位 GPU caffe vs2013 anaconda2 OpenCV2 py-faster rcnn跑通及训练
ubuntu14.4+caffe安装手册
10-01
在本文中，我们将详细探讨如何在Ubuntu 14.04上安装CUDA和Caffe，这对于深度学习开发者来说是至关重要的。CUDA是NVIDIA提供的一个并行计算平台，而Caffe是一个高效的深度学习框架，广泛用于图像识别和计算机视觉任务...
caffe安装文档
04-22
caffe详细安装文档
windows下caffe安装教程
10-21
对于caffe新手而言，不熟caffe可能是个问题，帮同事搭建过好几次，将大概步骤写下来，放到网上，希望对你们有用。本教程在win10下安装，所有对应的软件需自己装好并测试通过，否则不易成功。
Caffe、PyTorch、Scikit-learn、Spark MLlib 和 TensorFlowOnSpark 概述
weixin_41446370的博客
06-16 934
在 AI 框架方面，有几种工具可用于图像分类、视觉和语音等任务。有些很受欢迎，如 PyTorch 和 Caffe，而另一些则更受限制。以下是四种流行的 AI 工具的亮点。
内积知识点小记
liujianjun1536500976的专栏
06-21 1277
对于两个向量a = [a₁, a₂,…, aₙ]和b = [b₁, b₂,…, bₙ]，它们的点积定义为：a·b = a₁b₁ + a₂b₂ + … + aₙbₙ。使用矩阵乘法，把（纵列）向量当作n×1 矩阵，点积也可以写为：a·b = (a^T) * b，这里的a^T指示矩阵a的转置。
武汉星起航：挂牌上海股权中心，资本赋能共绘跨境电商繁荣新图景
最新发布
m0_74145751的博客
06-22 416
同时，公司的品牌效应也将助力其在亚马逊市场上树立更加专业的形象，提升客户的信任度和忠诚度。这一里程碑式的举措不仅彰显了公司的雄厚实力，更为其在亚马逊市场的发展带来了诸多优势。武汉星起航的成功挂牌标志着其发展的新起点，凭借资本市场的强大支持，公司必将持续强化自身实力，扩大市场影响力，为客户提供卓越服务。展望未来，武汉星起航将继续引领行业创新，为亚马逊市场的繁荣贡献源源不断的动力，共同书写跨境电商的新辉煌篇章。这不仅为公司带来了更为充足的资金流，也为其在亚马逊市场的持续投入和快速发展提供了坚实的保障。
Talk｜香港科技大学冯宸：高效自主的大尺度场景空中覆盖与重建
TechBeat人工智能社区博客
06-20 1563
本期为TechBeat人工智能社区第601期线上Talk。 北京时间6月19日(周三)20:00，香港科技大学冯宸博士生—冯宸的Talk已经准时在TechBeat人工智能社区开播！ 他与大家分享的主题是: “高效自主的大尺度场景空中覆盖与重建”，他围绕团队在利用无人机进行大尺度场景下的快速自主覆盖与重建方面取得的进展和思考展开。该工作已入选ICRA 2024 Finalist for Best Paper Award on UAV。
caffe安装ubuntu
08-31
要在Ubuntu系统上安装Caffe框架，可以按照以下步骤进行操作。 首先，确认您的编译器版本是否符合要求。您可以通过执行命令`gcc --version`来查看您的GCC版本。确保您的GCC版本兼容Caffe的要求。 接下来，您可以按照以下命令在Caffe目录下执行编译命令： 1. 进入Caffe目录： ``` cd <caffe_directory> ``` 2. 清除之前的编译结果： ``` make clean ``` 3. 开始编译： ``` make -j8 ``` 4. 执行测试： ``` make runtest -j8 ``` 5. 编译Python接口： ``` make pycaffe -j8 ``` 请注意，`-j8`参数用于指定使用8个线程进行编译，您可以根据自己的系统配置进行调整。 这样，您就成功在Ubuntu系统上安装了Caffe框架。希望对您有所帮助。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [caffe安装详细完整过程（Ubuntu16.04、Ubuntu18.04系统）](https://blog.csdn.net/wsq_zqfl/article/details/91439021)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

不懂开发的程序猿

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值