首页 > TAG信息列表 > caffe

caffe

https://blog.csdn.net/abcx3261/article/details/86155257     sudoapt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-devlibhdf5-serial-dev protobuf-compiler sudoapt-get install --no-install-recommends libboost-all-dev sudoapt-get install

踩坑3-ubuntu caffe 环境配置

caffe的编译比预想复杂很多,其中设计到多个依赖库的配置,在linux下花费了好久,遇到问题就google,百度,最终终于完成啦! 1.安装caffe相关的依赖项 参考caffe官方的网站在ubuntu<17.04下的环境配置    http://caffe.berkeleyvision.org/install_apt.html 首先一般依赖项 sudo apt-ge

解析caffe生成的caffemodel文件

要想了解caffe生成的caffemodel文件里的内容,我们就需要解析.caffemodel文件(caffemodel里不仅存储了权重和偏置等信息,还存储了整个训练网络的结构信息,即.prototxt信息,当然solver.prototxt信息是看不见的)。1.单独查看要是只是想看看权重信息正不正确(有时候学习率设置的太大,可能会导

caffe 模型训练超参数配置

#往往loss function是非凸的,没有解析解,我们需要通过优化方法来求解。 #caffe提供了六种优化算法来求解最优参数,在solver配置文件中,通过设置type类型来选择。 Stochastic Gradient Descent (type: "SGD"), AdaDelta (type: "AdaDelta"), Adaptive Gradient (type: "AdaGrad"),

OpenCV 加载caffe 模型进行推理

参考链接 ####### 代码目录 . ├── build ├── CMakeLists.txt ├── data │ ├── cat.jpg │ ├── imagenet_mean.binaryproto │ └── synset_words.txt ├── main.cpp └── model ├── bvlc_reference_caffenet.caffemodel ├── deploy

CMake 一些语法

1.message语法 打印信息 message( [STATUS|WARNING|AUTHOR_WARNING|FATAL_ERROR|SEND_ERROR] "message to display" ...) 可以用下述可选的关键字指定消息的类型: (无) = 重要消息; STATUS = 非重要消息; WARNING = CMake 警告, 会继续执行; AUTHOR_WARNING = CMake 警告 (dev),

人工智能的开创性人物

最近学习中发现了一位真的是大牛级的人物:贾扬清。 TensorFlow的作者之一、Caffe的创始人,框架就是他搭的,Pytorch是他所在团队研发的。 提到这几个工具,在学习人工智能,在学习模型训练,在学习深度学习的都是离不开的,必须的。可见这个AI时代的推进,正是建立在这几个系统基础之上的,它们

windows10caffe

Windows 10 安装caffe以及配置matlab接口 吐槽:想要了解深度学习的小伙伴们别用caffe,快去用pytorch。尽管你没有学过python,也别用matlab搞深度,害人害己呀!!! 操作系统:Windows 10 显卡:1660ti caffe:https://github.com/Microsoft/caffe(这个版本是安装最简单的) 软件:VS2013,Matl

【有奖提问】向贾扬清(阿里巴巴副总裁、Caffe作者、TensorFlow作者之一、ONNX创始人)提问啦

各位开发者朋友好哇, CSDN《新程序员》即将对话阿里巴巴集团副总裁、知名的开源及 AI 大神贾扬清,欢迎所有的开发者朋友们基于人工智能、开源、技术成长提出自己格外关心的问题。 贾扬清,是我们 80 后程序员中的佼佼者,毕业于清华大学自动化专业,后来又在加州大学伯克利分校攻

Ubuntu18.04在docker内安装caffe

1. 下载caffe:(不用命令安装cuda--caffe,因为会导致docker内nvidia-smi无反应) git clone https://github.com/Qengineering/caffe.git 2. 安装依赖项 sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev sudo apt-get install libhdf5-serial-dev p

caffe运算层

1、caffe使用的是float运算,NNIE使用int8\16,转换时精度会有损失,若量化精度损失不可接受的情况下,需要带量化去重新训练以降低量化误差。 2、NNIE包含Convolution、Deconvolution(逆卷积)、DepthwiseConv、pooling、InnerProduct。 Deconvolution(逆卷积):一般和转置卷积(transposed conv

低版本protobuf与cmake问题:Could not find a package configuration file provided by "Protobuf" wit

背景 如果使用Cmake编译caffe, 且使用低版本protobuf(如2.5),会报错cmake找不到protobuf。 解决思路: 更改caffe工程默认cmake文件,使用pkg-config寻找。 解决办法: 修改报错的cmake文件,路径在caffe工程下cmake/ProtoBuf.cmake, 修改如下两处 # Finds Google Protocol Buffers library

darknet yolov3 yolov4转caffe 教程

在目标检测任务中,我们常使用yolov3, yolov4作为目标检测模型,在实际部署工作中,我们很多边缘设备需要把模型转换成caffe。在次记录下转换过程。   我们需要在caffe框架中,添加所需要的层。这个转换工具可以参考github上一位大佬项目: git clone https://github.com/ChenYingpen

【caffe】关于gempool层

近期由于又重新接触到pytorch转caffe的相关任务(gempool)。发现BN并不是caffe底层代码就已经写了一个BN的实现,而是在prototxt用一些不同的算子组合成BN层。 这一点仿佛为我打开了新世界的大门,觉得还挺神奇的,所以先写一篇来看看gempool公式,并进行对应的prototxt的实现吧。加深一

深度学习训练中是否有必要使用L1获得稀疏解

1、近端梯度下降 proximal gradient descent 对于凸优化问题,当其目标函数存在不可微部分(例如目标函数中有 [公式] -范数或迹范数)时,近端梯度下降法才会派上用场 https://zhuanlan.zhihu.com/p/82622940 2、神经网络中使用L1z正则,获取参数的稀疏性 https://zhuanlan.zhihu.com/p/220

opencv for android(十七):使用opencv的dnn模块加载caffe模型进行人脸识别

不得不说,深度学习的人脸识别确实不错,侧脸,正脸,半边脸等都能识别到,确实比opencv的那个模型要好,先看效果: opencv for android(十七):使用opencv的dnn模块加载caffe模型进行人脸识别 opencv for android(十六):opencv在android上的录制avi格式的视频 opencv for android(十五):openc

【Pytorch2caffe】pytorch转caffe的一些注意细节

收集整理,感谢以下作者的解释。在设计pytorch网络结构的时候,务必注意下面几个点,防止训了很久的模型转成caffe不能用的情况。 #1、 q&a:#0929_1  pytorch 中的ceil mode 为false,则默认当奇数数feature size时,去掉多余的边的数据再进行maxpool;反之当ceil mode为true,则保留多余边数

深度学习框架Caffe学习系列(2):DarkNet 转战 Caffe 经验汇总

--darknet 转战 caffe-- darknet的cfg文件转换成caffe的prototxt文件 > 卷积层重写: # darknet 的cfg文件 [convolutional] batch_normalize=1 filters=32 size=3 stride=1 pad=1 activation=leaky # caffe的prototxt书写 layer { name: "conv1" type: "Convolution"

Python import caffe | 使用 Anaconda安装caffe | ModuleNotFoundError: No module named ‘caffe‘ | 简记

文章目录

win10环境部署caffe开发环境(GPU - NVIDA GTX 1050 Ti)

  1、查看GPU适配的CUDA版本,我的是GTX 1050 Ti; 2、到Caffe官网抄作业 http://caffe.berkeleyvision.org/installation.html,我抄的是cuda8.0+vs2015+python3.5+GPU release 3、搜集资源: vs2015.com_chs.isocuda_8.0.61_win10.execudnn-8.0-win-x64-v5.1.zipAnaconda3-4.2.0-Win

openpose ubunut安装说明GPU caffe

1、官网 https://github.com/CMU-Perceptual-Computing-Lab/openpose#installation 2、安装依赖, 这一步没出问题 https://github.com/CMU-Perceptual-Computing-Lab/openpose/blob/master/doc/installation/1_prerequisites.md 3、下载以及安装openpose https://github.com/C

Caffe实战(十五):数据层及参数设置

数据层是每个模型的最底层,是模型的入口,不仅提供数据的输入,也提供数据从Blobs转换成别的格式进行保存输出。通常数据的预处理(如减去均值, 放大缩小, 裁剪和镜像等),也在这一层设置参数实现。   caffe的各种数据层在caffe.proto文件中定义,通过对定义的caffe.proto文件进行编译,产生支

Caffe学习笔记02——基于Windows安装Caffe(GPU版)

参考的官方配置文档:GitHub - BVLC/caffe-windows 1、环境准备 环境清单: 操作系统:Windows10Windows版Caffe源码Visual Studio 2015CMakePython3.5依赖包显卡:NVIDIA GeForce GTX 1650CUDA & cuDNN 详细操作: ①Windows版Caffe源码:官网下载,下载解压后,文件名是caffe-windows,如果解

2021 年最新版 Ubuntu 20.04 配置 Caffe 深度学习环境

前言 本文写于 2021 年 7 月 15 日。若按本文的方法配置出现了错误,请留意是否距离写作时间过远。 请确保你的电脑显卡是 NVIDIA 显卡。本文不适用于 AMD 显卡和 Intel 集成显卡。 一、更新系统软件包 在终端中执行如下命令,将系统内核和基础组件升级至最新版本,否则后续编译会因为

海思AI芯片(HI35xx):tensorflow转caffemodel之caffe和tensoflow结构参数的差异

摘要: 要把自己的模型进行移植,之前是后端的移植,最近前端也提了需求,前端一般都是用海思芯片(海思HI3516DV300),只支持caffe,所以为了先测试时间得把tf的模型转成caffemodel。这里是将tf1.x转为caffemode,后续补全darknet转为caffemode 一、转换环节的注意点: BN层由于tensoflow和caffe