如何在caffe中实现矩阵 *** 作

1首先要准备几样东西：

（1）要预测的图像，需要32×32大小;

（2）网络配置文件，prototxt,以及每个图像的路径及其序号。

（3）训练好的caffemodel以及均值二进制文件，貌似可以定值，需要通过数据训练计算得到。

（3）预测的主程序

内容：

View Code

2结果：

View Code

各个类别图示：

3后记

上面是用CPU跑的，我还等了几秒钟，用了下GPU处理，瞬间，真的很快，Enter完就出结果了。

　观察caffe-master的第三方程序包，这个与caffe-master本文件夹都需要加上去的。所以在属性表里，先后需要include以下这些：（路径请自行修改）

D:\caffe-master\include

D:\NugetPackages\boost15900\lib\native\include

D:\NugetPackages\glog0330\build\native\include

D:\NugetPackages\gflags2121\build\native\include

D:\NugetPackages\protobuf-v120261\build\native\include

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v75\include

D:\NugetPackages\OpenBLAS02141\lib\native\include

D:\caffe-master\include\caffe\layers

D:\NugetPackages\OpenCV2410\build\native\include

D:\NugetPackages\OpenCV2410\build\native\include\opencv

D:\NugetPackages\OpenCV2410\build\native\include\opencv2

最后一项是CUDA的配置路径，找一下应该就可以找到。

那么我们的附加依赖项需要添加：

libcaffelib

libprotobuflib

opencv_highgui2410lib

opencv_core2410lib

opencv_imgproc2410lib

libgloglib

gflagslib

libopenblasdlla

hdf5lib

hdf5_hllib

cublaslib

cublas_devicelib

cudalib

cudadevrtlib

cudnnlib

cudartlib

cufftlib

cudart_staticlib

cufftwlib

cusparselib

cusolverlib

curandlib

nppclib

OpenCLlib

对了，最后别忘了配置环境变量哟，配置完之后重启一遍：

D:\NugetPackages\gflags2121\build\native\x64\v120\dynamic\Lib

D:\NugetPackages\hdf5-v120-complete18152\lib\native\bin\x64

D:\NugetPackages\glog0330\build\native\bin\x64\v120\Release\dynamic

D:\NugetPackages\OpenBLAS02141\lib\native\bin\x64

D:\NugetPackages\gflags2121\build\native\x64\v120\dynamic\Lib

D:\NugetPackages\OpenCV2410\build\native\bin\x64\v120\Release

D:\caffe-master\Build\x64\Release

那么在做完这些之后，我们就可以在新建工程里使用Caffe的接口了

言的编译程序，把源程序变成目标程序（以OBJ为扩展名），然后再用连接程序，把目标程序与库文件相连接形成可执行文件。尽管编译的过程复杂一些，但它形成的可执行文件（以exe为扩展名）可以反复执行，速度较快。运行程序时只要键入可执行程序的文件名，再按Enter键即可。

对源程序进行解释和编译任务的程序，分别叫作编译程序和解释程序。如FORTRAN、COBOL、PASCAL和C等高级语言，使用时需有相应的编译程序；BASIC、LISP等高级语言，使用时需用相应的解释程序。

3）服务程序

训练配置:batchsize=128

caffe自有的imagenet with cuDNN模型快于googlenet with cuDNN

VGG16层不用cuDNN慢于caffe自有的imagenet with cuDNN模型

VGG19层不用cuDNN慢于caffe自有的imagenet with cuDNN模型

一、CAFFE 自带配置，使用cuDNN

Forward速度 : 220ms

Backward速度 :360ms

二、CAFFE 自带配置，不使用cuDNN

Forward速度 : 300ms

Backward速度 :410ms

三、GoogleNet，使用cuDNN

Forward速度 : 614ms

Backward速度 :1377ms

四、GoogleNet，不使用cuDNN

Forward速度 : 1145ms

Backward速度 :2009ms

五、VGG16层，使用cuDNN

Forward速度 : 3101ms

Backward速度 :8002ms

六、VGG19层，使用cuDNN

Forward速度 : 3972ms

Backward速度 :8540ms

1安装 使用PyInstaller需要安装PyWin32。 下载与Python对应的PyInstaller版本， 解压后就算安装好了 。 2生成exe文件 Python程序的目录为 F:\hellopy 在命令行 中进入pyinstaller所在的目录，运行python pyinstallerpy F:\hellopy 在PyInst

步骤1:安装所需的依赖库

1

命令如下。

（1）sudo apt-get update

（2）sudo apt-get install -y --no-install-recommends \

build-essential \

cmake \

git \

libgoogle-glog-dev \

libprotobuf-dev \

protobuf-compiler \

python-dev \

python-pip                     

（3）sudo pip install numpy protobuf

END

步骤2：可选的GPU支持

1

概述。如果您打算使用GPU而不是CPU，那么您应该安装NVIDIA CUDA 8和cuDNN v51或v60，这是GPU加速的深度神经网络的原生类型库。

2

首先更新您的显卡驱动程序（NVIDIA CUDA 8）！ 否则您可能会遇到各种难以诊断的错误。

1、适用Ubuntu 1604的命令行。

（1）sudo apt-get update && sudo apt-get install wget -y --no-install-recommends

（2）wget ">

（3）sudo dpkg -i cuda-repo-ubuntu1604_8061-1_amd64deb

（4）sudo apt-get update

（5）sudo apt-get install cuda

2、适用Ubuntu 1404的命令行。

（1）sudo apt-get update && sudo apt-get install wget -y --no-install-recommends

（2）wget ">

（3）sudo dpkg -i cuda-repo-ubuntu1404_8061-1_amd64deb

（4）sudo apt-get update

（5）sudo apt-get install cuda

3

安装cuDNN（适用所有Ubuntu版本）。

（1）CUDNN_URL=">

（2）wget ${CUDNN_URL}

（3）sudo tar -xzf cudnn-80-linux-x64-v51tgz -C /usr/local

（4）rm cudnn-80-linux-x64-v51tgz && sudo ldconfig

END

步骤3：可选依赖库

libgflags库安装。注意：libgflags2是用于Ubuntu 1404；libgflags-dev是用于Ubuntu 1604。这两个不能搞混，否则安装会报错。

(1)适用Ubuntu 1404的命令行。

sudo apt-get install -y --no-install-recommends libgflags2

(2)适用Ubuntu 1604的命令行。

sudo apt-get install -y --no-install-recommends libgflags-dev

安装其他可选依赖库（适合Ubuntu 1404和1604）。

（1）sudo apt-get install -y --no-install-recommends \

libgtest-dev \

libiomp-dev \

libleveldb-dev \

liblmdb-dev \

libopencv-dev \

libopenmpi-dev \

libsnappy-dev \

openmpi-bin \

openmpi-doc \

python-pydot

（2）sudo pip install \

flask \

future \

graphviz \

hypothesis \

jupyter \

matplotlib \

pydot python-nvd3 \

pyyaml \

requests \

scikit-image \

scipy \

setuptools \

six \

tornado

以上就是关于如何在caffe中实现矩阵 *** 作全部的内容，包括:如何在caffe中实现矩阵 *** 作、如何在VS2013中使用caffe接口、深度学习caffe中ContrastiveLossLayer怎么用等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！