Windows與linux下caffe配置(僅CPU)
-
windows下caffe配置
由于本人筆記本較舊,用GPU加速與CPU訓練基本差不多,是以本文僅考慮在Win CPU下安裝caffe。
本文在win10系統,Visual Studio 2013環境下配置caffe。
1.下載下傳caffe
建議從Github中https://github.com/Microsoft/caffe下載下傳caffe壓縮包,解壓後得到caffe-master檔案夾。
2.進入加壓後的caffe-master\windows檔案夾,将檔案CommonSettings.props.example重命名為CommonSettings.props,修改其内容如下:
因為僅使用的是CPU是以修改如下:
如果想使用python和matlab接口,将其開關打開,并且将其路徑配置如下:(注:python與matlab路徑為你的安裝路徑)Windows與linux下caffe配置(僅CPU) Windows與linux下caffe配置(僅CPU) 3.編譯caffe, (注:編譯時請聯網。 NuGet 會自動下載下傳程式包)用Visual Studio 2013打開windows檔案夾下的Caffe.sln,檢視檔案是否導入成功,檔案清單如下:Windows與linux下caffe配置(僅CPU) Windows與linux下caffe配置(僅CPU) 配置屬性設定如下:
(注:編譯時請聯網。 NuGet 會自動下載下傳程式包)
設定libcaffe為啟動項目,點選生成解決方案即可。
4.測試(下面測試執行個體引用http://blog.csdn.net/guoyk1990/article/details/52909864)
1)下載下傳MNIST資料集,MNIST資料集包含四個檔案,如表1所示:
表1:MNIST資料集及其檔案解釋
檔案 | 内容 |
| 訓練集圖檔 - 55000 張 訓練圖檔, 5000 張 驗證圖檔 |
| 訓練集圖檔對應的數字标簽 |
| 測試集圖檔 - 10000 張 圖檔 |
| 測試集圖檔對應的數字标簽 |
下載下傳完後解壓得到對應的四個檔案,這四個檔案不能直接用于caffe的訓練和測試。需要利用第4步生成的convert_mnist_data.exe把四個檔案換 為caffe所支援的leveldb或lmdb檔案。
2)轉換 訓練\測試資料
a) 中的四個檔案放到 . \examples\mnist\mnist_data檔案夾下。
b) 在caffe-windows安裝的根目錄下,建立一個convert-mnist-data-train.bat檔案轉換為訓練資料,并在檔案中添加代碼:
Build\x64\Release\convert_mnist_data.exe --backend=lmdbexamples\mnist\mnist_data\train-images.idx3-ubyteexamples\mnist\mnist_data\train-labels.idx1-ubyte examples\mnist\mnist_data\mnist_train_lmdb
pause
其中--backend=lmdb 表示轉換為lmdb格式,若要轉換為leveldb将其改寫為--backend=leveldb 即可。
再建立一個convert-mnist-data-test.bat轉換測試資料,代碼為:
Build\x64\Release\convert_mnist_data.exe --backend=lmdb examples\mnist\mnist_data\t10k-images.idx3-ubyte examples\mnist\mnist_data\t10k-labels.idx1-ubyte examples\mnist\mnist_data\mnist_test_lmdb
Pause
Ps:(1)convert_mnist_data.exe的指令格式為:
convert_mnist_data [FLAGS] input_image_file input_label_file output_db_file
[FLAGS]:轉換的檔案格式可取leveldb或lmdb,示例:--backend=leveldb
Input_image_file:輸入的圖檔檔案,示例:train-images.idx3-ubyte
input_label_file:輸入的圖檔标簽檔案,示例:train-labels.idx1-ubyte
output:儲存輸出檔案的檔案夾,示例:mnist_train_lmdb
(2)如果感覺很麻煩,也可以直接下載下傳作者轉換好的MNIST檔案(leveldb和lmdb)。
3)運作測試
(1)将第2)步中轉換好的訓練\測試資料集(mnist_train_lmdb\ mnist_train_lmdb或mnist_train_leveldb\mnist_train_leveldb) 檔案夾放在.\examples\mnist中。
(2)在caffe-windows根目錄下建立一個run.bat,檔案中代碼:
Build\x64\Release\caffe.exe train --solver=examples/mnist/lenet_solver.prototxt
pause
-
Linux下caffe配置
1.安裝caffe依賴包
sudo apt-get install git sudo apt-get install libprotobuf-dev liblevelb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler sudo apt-get install –no-install-recommends libboost-all-dev sudo apt-get install libatlas-base-dev sudo apt-get install python-dev sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev sudo apt-get install build-essential
2.下載下傳caffe包
在終端輸入指令
3.修改Makefile.config.example檔案git clone git://github.com/BVLC/caffe.git
打開Makefile.config修改如下:cd caffe mv Makefile.config.example Makefile.config
Windows與linux下caffe配置(僅CPU)
- 4.編譯caffe
make all make test make runtest
5.配置pycaffe依賴包
打開caffe安裝包下python檔案夾下requirements.txt,這個檔案中說明了配置python接口的各種庫檔案的的條件,
上述庫檔案安裝指令如下:Windows與linux下caffe配置(僅CPU) sudo apt-get install python-numpy python-scipy python-matplotlib python-sklearn python-skimage python-h5py python-protobuf python-leveldb python-networkx python-nose python-pandas python-gflags Cython ipython sudo apt-get install protobuf-c-compiler protobuf-compiler sudo apt-get install python-matplotlib python-numpy python-pil python-scipy sudo apt-get install build-essential cython
使用sudo pip install -r ./python/requirements.txt查漏,也可以直接使用這個指令安裝,但速度較慢。
6.編譯pycaffe
make pycaffe
7.測試是否安裝成功
在終端直接打開python
不報錯誤即安裝成功import caffe;