caffe专题

使用openpose caffe源码框架训练车辆模型常见错误及解决办法

错误1：what(): Error: mSources.size() != mProbabilities.size() at 51, OPDataLayer, src/caffe/openpose/layers/oPDataLayer.cpp 原因：这是因为在网络模型中数据源sources和probabilities设置的参数个数不一样导致的，一个数据源对应一个概率解决方法：只需要将网络文

caffe训练openpose相关资源

CPMTransformationParameter参数解析： https://www.jianshu.com/p/063a2159f0f2 genLMDB.py： https://www.jianshu.com/p/1cae32cbd36d OpenPose 参数说明： https://blog.csdn.net/zziahgf/article/details/84668319 openp

在Ubuntu16环境下用QT调试caffe

用qt调试caffe需要配置一些东西具体方法可以参考一下链接： https://www.zhihu.com/question/27987666/answer/80728225 https://blog.csdn.net/xg123321123/article/details/52817658

ubuntu16.04 caffe python3.5 安装

在ubuntu16.04 下 caffe安装python3.5可以参考 https://blog.csdn.net/tingtie1438/article/details/82085199 但这里面有一些需要补充和修正其中的一些东西一、其中“二. 安装依赖项”里面是这样的： sudo apt-get install python3-pipsudo apt-get install pytho

解决caffe 编译过程中protobuf版本冲突的问题

在编译caffe python3版本时一直会出现如下错误，（安装caffe python3具体方法可参考：https://blog.csdn.net/tingtie1438/article/details/82085199 ）：通过其错误信息可知是protobuf出了问题，现在网上教程一般都是默认安装的 libprotobuf-dev 和 protobuf-compiler，对于pytho

ubuntu16.04 caffe(github源码cpu)+python3.5+opencv3.4.5安装编译

https://www.cnblogs.com/hanjianjian90/p/10604926.html

caffe 配置过程中遇到的错误

错误1： MSB3073: 命令“"D:\caffe-windows\windows\\scripts\BinplaceCudaDependencies.cmd" "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5\bin" "" false true "D:\caffe-windows\windows\..\Build\x64\D

找不到cannot find -lpython3.5m caffe anaconda python3 ubuntu16.04

LD -o .build_release/lib/libcaffe.so.1.0.0/usr/bin/ld: 找不到 -lpython3.5mcollect2: error: ld returned 1 exit statusMakefile:572: recipe for target '.build_release/lib/libcaffe.so.1.0.0' failedmake: ***

2015深度学习回顾：ConvNet、Caffe、Torch及其他

CVPR可谓计算机视觉领域的奥运会，这是vision.ai的Co-Founder，前MIT研究人员T. Malisiewicz针对CVPR'15尤其是Deep Learning的综述文章，谈到了ConvNet的Baseline，Caffe和Torch之间的分歧，ArXiv论文热，以及百度的ImageNet违规事件等。原文标题为：Deep down the rabbit hole: CVPR 20

windows环境Caffe安装配置步骤（无GPU）及mnist训练

最初的想法是动手熟悉Caffe,考虑到直接上手Ubuntu会有些难度，所以首先在windows环境下打个基础。有个插曲，台式机由于某些原因只能保持在32位系统，编译caffe.cpp时才发现系统不兼容，然后才换到64位的笔记本上进行操作。前期准备：1.VS 2013 2. windows版的Caffe（https://github.com/BVLC/caffe/tree/window

caffe源码解析-inner_product_layer

打开inner_product_layer.hpp文件，发现全连接层是非常清晰简单的，我们主要关注如下四个函数就行。 LayerSetUp（SetUp的作用一般用于初始化，比如网络结构参数的获取）ReshapeForward_cpuBackward_cpu ** inner_product_layer.hpp ** namespace caffe {template <typename

caffe源码解析-im2col

im2col这个函数特别棒！为啥？因为它让卷积变得简单，他将卷积操作转变为矩阵乘法，对比发现全连接层的实质就是矩阵乘法，所以这个函数使得卷积层的很多操作只需要仿照全连接层就可以了。下面主要介绍一下这两个函数： im2col_cpu，将输入feature map转变为矩阵col2im_cpu，将输出的残差map传递给输入的残差map，具体的残差传递还涉及权重 ** im2col_cpu **

caffe源码解析-BaseConvolutionLayer

BaseConvolutionLayer是作为ConvolutionLayer的基类，里面实现了一些ConvolutionLayer需要用到的函数。 forward_cpu_gemm，卷积层前向传递过程中的矩阵乘法backward_cpu_gemm，卷积层后向传播过程的矩阵乘法weight_cpu_gemm，主要用来计算权重的增量forward_cpu_bias，加入偏置，略backward_c

CentOS 6.5安装caffe注意事项应该可以解决大部分报错问题

本文安装基本环境参考这篇博客，先往下看。在我这里坑主要出现在安装glog一直报错（其实问题是gflag安装的问题），安装gflags的时候按照我这里的来一句话：自己手动安装的包，一定要确保有且只有安装了这一个包(别重复安装)！比如gflags: 首先先保证把老版本卸载：1、如果之前用make install安装的，用make unistall卸载。2、之后查看rpm包rpm -

caffe 的matlab接口配置

参考博文：http://blog.csdn.net/thystar/article/details/50720691caffe的Matlab中只支持gcc-4.7，但是ubuntu14.04默认安装的是gcc-4.8。选择安装gcc-4.7并降级，步骤如下：下载并安装gcc-4.7和g++-4.71 sudo apt-get install gcc-4.72 sudo apt-ge

ubuntu16.04 安装caffe时出现 .build_release/tools/caffe: error while loading shared libraries: libcudart

在Ubuntu上面搭建caffe环境，搭建完成之后运行sudo make runtest -j8失败，提示错误为：.build_release/tools/caffe: error while loading shared libraries: libcudart.so.10.0: cannot open shared object file: No such file or directory

caffe编译过程中的错误： nvcc fatal : Unsupported gpu architecture ‘compute_20‘

在编译caffe的过程中遇到了nvcc fatal : Unsupported gpu architecture 'compute_20'这个错误，修改方法为：在Makefile.config文件中根据自己CUDA的版本注释不同的行。 # CUDA architecture setting: going with all of them. # For CUDA < 6.0, comment

Ubuntu16.04 Caffe 安装步骤记录（超详尽）(转载)

搭建caffe环境的时候，是根据一篇比较好的博客做的，做下记录，就不转载了，博客网址为 https://blog.csdn.net/yhaolpz/article/details/71375762

xavier NX编译caffe错误记录（一）

在xavier NX上编译caffe时遇到一些错误，简单记录一下，目录一：首先是缺少各种库，对于这种错误直接用下面这篇博客的笔记安装相应的依赖库即可。二：无法读取cudnn版本三：找不到opencv 四：CUDA_cublas_device_LIBRARY (ADVANCED) linked by target "caffe" in directory /data/software/c

caffe fine-tuning 图像分类

fine-tuning流程： 1、准备数据集（包括训练、验证、测试）； 2、数据转换和数据集的均值文件生成； 3、修改网络输出类别和最后一层的网络名称，加大最后一层参数的学习速率，调整solver的配置参数； 4、加载预训练模型的参数，启动训练； 5、选取图片进行测试。准备数据集将图像整理到对应的文件夹中，对应的ground-truth放到对应的txt文件中。把自己的数据集划

Ubuntu配置caffe

Ubuntu是以桌为主面应用的Linux发行版。本人使用Ubuntu 16.04.3版本。可通过以下命令查看本机Ubuntu的内核版本和发行版本号。 cat /etc/issue 输出如下： Ubuntu 16.04.3 LTS \n \l 本人显卡：TITAN Xp NVIDIA Titan Xp显卡驱动和CUDA安装本人安装CUDA Toolkit 9.0版本。下载链接：

Caffe学习系列(7)：solver及其配置（学习率）

转自：http://www.cnblogs.com/denny402/p/5074049.html solver算是caffe的核心的核心，它协调着整个模型的运作。caffe程序运行必带的一个参数就是solver配置文件。运行代码一般为 caffe train --solver=*_slover.prototxt 在Deep Learning中，往往loss function是非凸的，没有解

caffe训练自己的手写数字

转自：http://blog.csdn.net/houwenbin1986/article/details/52956101 搭建好caffe Python环境后，我们都需要跑通mnist和imagenet示例，感谢博主：http://www.cnblogs.com/denny402/p/5684431.html 官网提供的mnist数据并不是图片，但我们以后做的实际项目可能是图片。因

caffe安装吐血总结 opencv的问题,ubuntu版本问题

转自：http://blog.csdn.net/caozhantao/article/details/51479172 这周安装了caffe的windows版本和Linux版本，依赖关系太多，如果系统选对了，安装起来很easy，选错了，就会遇见各种坑。 1.操作系统最好使用ubuntu desktop 14.04 64位。我试用的操作系统版本比较多，以下介绍一下操作系统的坑： u

cuda8.0+ubuntu+theano、caffe、tensorflow环境搭建

一共3篇文章： ************************************************************************************************************************************ 第一篇GTX960ubuntu16.04、cuda8.0caffe tensorflow theano 转自：

cuda caffe cudnn

本系列文章由 @yhl_leo 出品，转载请注明出处。文章链接： http://blog.csdn.net/yhl_leo/article/details/50961542 花了一天时间，在电脑上安装配置了Caffe深度学习框架，网上的很多教程和指导都已经过期，中间辗转耗费了点时间，这里把个人认为最简单的方法整理如下。 1 版本笔记本：ThinkPad W541