kangdk 视其所以，观其所由，察其所安。

本文基于Caffe Tutorial 之 Loss编写。在Caffe中，如同大多数机器学习算法一样，学习是通过损失（loss，也被称为误差、代价、或者目标函数）进行驱动。损失函数将参数设置（即，当前网络权重）映射为一个预示参数好坏程度的标量来指定学习目标。因此，学习的目标就是寻找一组使损失函数取值最小的参数值。Caffe中，损失通过网络的前向传播进行计算。每层从输入（低层）中获取数据，同时

本文参考Forward and Backward。前向与反向传播前向与后向传播是网络中重要的计算部分。 接下来以简单的逻辑回归分类器为例介绍。前向传播用于计算推理过程中给定输入的输出。在前向传播中，Caffe将每层的计算进行组合从而得到模型所代表的“函数”。此过程由底向上进行。 数据x经过全连接层（内积层）生成g(x)g(x)，之后通过softmax层产生h(g(x))h(g(x))，从

Ubuntu16.04+Cuda+Caffe安装中已经介绍了在Ubuntu16.04+NVIDIA TITAN XP+CUDA8.0+cudnn_v6+OpenCV3.2的安装过程。

安装依赖项sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compilersudo apt-get install --no-install-recommends libboost-all-dev libatlas-bas

在使用caffe训练数据集时通常需要对训练过程中损失值、准确率等进行可视化，使用python接口可视化的步骤可以参考博文caffe的python接口学习（7）：绘制loss和accuracy曲线，本文将会介绍一种使用命令行训练数据，并利用训练过程的输出进行可视化的方法。一、caffe 模型训练在制作好数据集、贴好标签、并将数据集转为lmdb格式之后，就可以对网络进行训练，训练命令如下：