DeepLab v2 配置

DeepLab v2配置过程不是很麻烦,但资料很少,此处详解一下:

1)cudnn降级:因为Caffe版本所导致的问题,DeepLab的作者推荐使用cudnn v4,如果不是的话,可以考虑降级或者文件移植。先说降级;

到英伟达官网下载nudnn v4(注册即可下载),随便找个地方解压。

以v5将v4为例

sudo rm /usr/local/include/cudnn.h

sudo rm /usr/local/lib/libcudnn.so*
降级
sudo cp ./include/cudnn.h /usr/local/include
sudo cp ./lib64/libcudnn.so*  /usr/local/lib
链接cuDNN的库文件
sudo ln -sf /usr/local/lib/libcudnn.so.4.0.7 /usr/local/lib/libcudnn.so.4
sudo ln -sf /usr/local/lib/libcudnn.so.4 /usr/local/lib/libcudnn.so
sudo ldconfig -v

按照自己的版本修改


除此之外,也可以在新的版本的Caffe中拷贝以下文件,将Deeplab中的对应文件覆盖而不执行降级操作,个人建议选择降级。

include/caffe/layers/cudnn_relu_layer.hpp, src/caffe/layers/cudnn_relu_layer.cpp, src/caffe/layers/cudnn_relu_layer.cu

include/caffe/layers/cudnn_sigmoid_layer.hpp, src/caffe/layers/cudnn_sigmoid_layer.cpp, src/caffe/layers/cudnn_sigmoid_layer.cu

include/caffe/layers/cudnn_tanh_layer.hpp, src/caffe/layers/cudnn_tanh_layer.cpp, src/caffe/layers/cudnn_tanh_layer.cu


(2) matio.h no such file or directory问题

  1. sudo apt-get install libmatio-dev  

(3)atomicAdd的重写问题,cuda8中出现了atomicAdd的定义,从而产生bug

将这个文件修改下common.cuh,修改如下,注意最后的endif

#ifndef CAFFE_COMMON_CUH_
#define CAFFE_COMMON_CUH_


#include <cuda.h>
#if !defined(__CUDA_ARCH__) || __CUDA_ARCH__ >= 600
#else
// CUDA: atomicAdd is not defined for doubles
static __inline__ __device__ double atomicAdd(double *address, double val) {
  unsigned long long int* address_as_ull = (unsigned long long int*)address;
  unsigned long long int old = *address_as_ull, assumed;
  if (val==0.0)
    return __longlong_as_double(old);
  do {
    assumed = old;
    old = atomicCAS(address_as_ull, assumed, __double_as_longlong(val +__longlong_as_double(assumed)));
  } while (assumed != old);
  return __longlong_as_double(old);
}
#endif
#endif
至此基本就可以make通过了,接下来就可以阅读run.py文件,了解数据集该如何放置,注意在config文件夹下有相关配置文件(不是voc12下的那个)
在运行的过程中可能会出现
CUDN_MAP_ERROR,这种情况下是数据集没做好,VOC的数据集不能拿来直接跑,而是要标定到0-20内的灰度图,标好后就不会报错了,现在我的DeepLab v2感觉训练没啥问题,就是测试时会出现LOSS为0的情况,欢迎交流!








  • 2
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 9
    评论
本课程适合具有一定深度学习基础,希望发展为深度学习之计算机视觉方向的算法工程师和研发人员的同学们。基于深度学习的计算机视觉是目前人工智能最活跃的领域,应用非常广泛,如人脸识别和无人驾驶中的机器视觉等。该领域的发展日新月异,网络模型和算法层出不穷。如何快速入门并达到可以从事研发的高度对新手和中级水平的学生而言面临不少的挑战。精心准备的本课程希望帮助大家尽快掌握基于深度学习的计算机视觉的基本原理、核心算法和当前的领先技术,从而有望成为深度学习之计算机视觉方向的算法工程师和研发人员。本课程系统全面地讲述基于深度学习的计算机视觉技术的原理并进行项目实践。课程涵盖计算机视觉的七大任务,包括图像分类、目标检测、图像分割(语义分割、实例分割、全景分割)、人脸识别、图像描述、图像检索、图像生成(利用生成对抗网络)。本课程注重原理和实践相结合,逐篇深入解读经典和前沿论文70余篇,图文并茂破译算法难点, 使用思维导图梳理技术要点。项目实践使用Keras框架(后端为Tensorflow),学员可快速上手。通过本课程的学习,学员可把握基于深度学习的计算机视觉的技术发展脉络,掌握相关技术原理和算法,有助于开展该领域的研究与开发实战工作。另外,深度学习之计算机视觉方向的知识结构及学习建议请参见本人CSDN博客。本课程提供课程资料的课件PPT(pdf格式)和项目实践代码,方便学员学习和复习。本课程分为上下两部分,其中上部包含课程的前五章(课程介绍、深度学习基础、图像分类、目标检测、图像分割),下部包含课程的后四章(人脸识别、图像描述、图像检索、图像生成)。
评论 9
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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