caffe学习(1):多平台下安装配置caffe

时间  2019-11-08
标签 caffe 学习 多平台 安装 配置 繁體版
原文   原文链接

如何在 centos 7.3 上安装 caffe 深度学习工具

 

 有好多朋友在安装 caffe 时遇到很多问题。(看文章的朋友但愿关心一下个人创业项目趣智思成) 今天测试并整理一下安装过程。我是在阿里云上测试，选择centos 7.3 镜像。php

先安装 epel 源html

1
yum  install  epel-release

安装基本编译环境python

1
2
yum  install  protobuf-devel leveldb-devel snappy-devel opencv-devel boost-devel hdf5-devel
yum  install  gflags-devel glog-devel lmdb-devel<br>yum  install  atlas-devel<br> #用默认的 atlas 有点问题，须要改成 openblas
1
2
3
4
yum  install  openblas-devel<br>
yum  install  python34-devel
yum  install  git
yum groupinstall  "Development Tools"  "Development Libraries"

下载源代码linux

1
git clone https: //github .com /BVLC/caffe

到源代码目录下执行git

1
mv  Makefile.config.example Makefile.config

修改配置文件 Makefile.config
全部不是#开头的都须要修改github

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# CPU-only switch (uncomment to build without GPU support).
CPU_ONLY := 1
 
# BLAS choice:
# atlas for ATLAS (default)
# mkl for MKL
# open for OpenBlas
BLAS :=  open  
# Custom (MKL/ATLAS/OpenBLAS) include and lib directories.
# Leave commented to accept the defaults for your choice of BLAS
# (which should work)!
# BLAS_INCLUDE := /path/to/your/blas
#BLAS_LIB := /path/to/your/blas
BLAS_INCLUDE :=  /usr/include/openblas
BLAS_LIB :=  /usr/lib64

最后在 caffe 目录下运行:build。就完成了。有任何问题欢迎发在评论区。web

 

 

 

caffe学习(1):多平台下安装配置caffe

提到deep learning, caffe的大名天然是如雷贯耳，固然，除了caffe以外，还有不少其余的框架，如torch,mxnet...可是，就我本身这一个月的实验以及师兄的结论都是，caffe得出的实验performance要高于别的框架，多是C++的威力吧~笑算法

OK,接下来准备在这个系列分享我使用和学习caffe的一些经验,首先天然是框架的配置了。这里咱们分享一下在windows10和ubuntu14.04虚拟机下的Caffe配置（：编程

一.Windows10 CUDA7.5 VS2013环境

1.软件准备ubuntu

1.我使用的是系统是win10,首先要确保下载安装好visual stdio 2013,community版本下载连接在这，2014-Nov 12 Release Notes，这里建议你们最好将VS安装在默认C盘位置，否则以后编译可能会出现各类莫名其妙的问题

2.GitHub - BVLC/caffe at windows 这是微软修改的caffe windows版本，集成了caffe编译须要的第三方库，使用起来很是方便！下载好以后解压到任意位置,我这里是放在D盘下，接下来，到windows目录下，copy一份CommonSettings.props.example到CommonSettings.props

而后用vs打开CommonSettings.props，

我这里是默认使用GPU,CUDA版本为7.5，支持python的配置，你们能够根据本身须要进行调整，GPU对应CUDA版本和CudaArchitecture大体以下图

注意若是须要使用python接口的话，推荐安装Miniconda 2.7 64-bit Windows installer(from Miniconda website)或者是Anaconda 2.7 64-bit Windows installer(Download Anaconda Now!)

而后对应修改CommonSettings.props，我这里安装的是Anaconda2

3.接下来就是一些软件的安装了，首先下载CUDA，能够根据本身的GPU版本下载对应版本的CUDA，我这里下载的是CUDA7.5:

下载完成以后就能够安装了,这里也是建议安装在默认位置，等待解压完成选择默认设置，等待安装完成便可.而后是CUDNN, ,貌似须要注册以后才能下载，应该不是很费事，下载cudnn v4下载完成后,把解压后的文件夹中的bin,lib/x64,include中的内容分别放至 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v7.5中的bin,lib/x64,include三个子目录下,这是%CUDA_PATH%路径，若是不太肯定能够去系统环境变量下查看，最后就是Anaconda2了，下载完成以后打开cmd,输入如下命令安装一些python库

conda install --yes numpy scipy matplotlib scikit-image pip
pip install protobuf

至此，全部准备工做都已经完成了！

2.Caffe编译

打开D:\caffe-windows下的caffe.sln,将编译选项切换成Release

我这里删除了一些之后通常不会用到的工程，其实最主要的是caffe,libcaffe,pycaffe这三个，加快编译速度.而后咱们先编译libcaffe，通常这个不出问题整个安装就没什么问题了。

最开始VS可能会比较卡，这是在安装一些第三方库(opencv,boost之类的，microsoft用Nuget集成在了这一步），安装完成以后在D:\NugetPackages下的这些都是caffe编译所需的第三方库

而后默默等待编译完成便可，大约须要十分钟

看到这里以后，此次安装基本上已经成功了.接下来编译剩下的便可

大功告成！

3.配置和使用

编译完成后，接下来作一些简单的配置：

1.首先，编译完成后的全部文件都在D:\caffe-windows\Build\x64\Release目录下，

里面包含最重要的就是caffe.exe以及pycaffe,若是须要在别的机器上使用的话，只须要将Release文件夹拷贝过去便可，不须要再从新编译一遍

2.接下来咱们作一些简单设置，首先打开环境变量设置，

在user variables下新建PATH和PYTHONPATH,填写对应的文件路径,这样就能够便捷使用caffe和caffe python接口了，配置好以后咱们打开cmd,先输入caffe，在python中import caffe,若是都不报错——证实你能够愉快的进入deep learning的殿堂了^_^

3.安装git for windows,对于习惯Linux系统的人使用这个会更加方便，固然你只用命令行也能够，这个是可选项

4.测试

下面咱们在mnist数据集上作测试，MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burge在这里下载这四个文件，解压到D:\caffe-windows\data\mnist中右键打开git bash here,输入：

../../Build/x64/Release/convert_mnist_data train-images.idx3-ubyte train-labels.idx1-ubyte mnist_train_lmdb
../../Build/x64/Release/convert_mnist_data t10k-images.idx3-ubyte t10k-labels.idx1-ubyte mnist_test_lmdb

这样，训练集和测试集就建立好了，将其拷贝至D:\caffe-windows\examples\mnist目录下

进入该目录，打开lenet_train_test.prototxt,修改以下

而后打开lenet_solver.prototxt,修改第二行便可，

这里暂时不对这些配置文件作解释，只是安装完以后进行的测试，ok下面打开bash:

caffe train -solver=lenet_solver.prototxt -gpu 0

接着就能够看到一大串log出现，好像很厉害的样子！

最后在测试集上的结果是99.13%！深度学习，很强势！

好了，windows下的安装配置就到这里告一段落了，训练大多数模型都已经没问题了

二.VM Ubuntu14.04下安装CPU版本的Caffe

大多数状况下，windows环境下的caffe可以完美完成Linux下caffe的功能了，但毕竟Linux是标准平台，网上的不少开源代码都是基于Linux下的caffe的，好比神经网络可视化工具deepvis,以及RGB大神的RCNN系列,并且大部分状况下只须要应用到Caffe在CPU下的版本，因此这里给出虚拟机下ubuntu14.04下安装caffe的过程

1.建立虚拟机

这里我使用虚拟机软件是VirtualBox.首先建立一个linux/ubuntu14.04/64位/4GB内存的名为caffe的虚拟机，这里内存官网建议是8GB，可是笔记本总内存才8GB，你们有条件的建议分8GB

接下来一路下一步,

建立后点击启动，选择镜像，点击启动，

下面就是建立虚拟机的一些常见操做了，贴几张关键的图吧

点击continue后，漫长的等待。。。

重启以后，咱们先安装一下VBox Additions：

选择设备下的安装加强功能，在终端中输入

cd /media/<USER>/VBOXADDITIONS_4.3.16_95972 (where <USER> is your user name) sudo ./VBoxLinuxAdditions.run

在Virtual Box Manager, 点击Settings, 而后选择常规 | 高级 | 共享剪切板 | 双向，而后选择重启，这样虚拟机就能够充满全屏了，再也不是一小块

2.准备工做

首先安装必要的环境：

sudo apt-get update #更新软件列表 sudo apt-get upgrade #更新软件 sudo apt-get install build-essential #安装build essentials sudo apt-get install linux-headers-`uname -r` #安装最新版本的kernel headers

注意：官网缺乏前两步，会致使CUDA安装失败

这也是个漫长的步骤，默默等待。。。

而后下载cuda7.5:

sudo apt-get install curl
cd Downloads/ curl -O "http://developer.download.nvidia.com/compute/cuda/7.5/Prod/local_installers/cuda_7.5.18_linux.run"

这又是个漫长的过程。。。若是嫌这种方式太慢,能够去官网直接下载,而后复制进虚拟机，不过这种方式有时会出现一点问题

chmod +x cuda_7.5.18_linux.run #使其可运行
sudo ./cuda_7.5.18_linux.run #运行

说明：安装的过程当中会显示最终用户许可协议（EULA），很长，能够按‘q’退出阅读，而后安装的时候不要安装显卡驱动，由于虚拟机是无法使用GPU的,具体以下：

  • Accept the EULA
  • Do NOT install the graphics card drivers (since we are in a virtual machine)
  • Install the toolkit (leave path at default)
  • Install symbolic link
  • Install samples (leave path at default)

而后更新相应的库路径：

echo 'export PATH=/usr/local/cuda/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/lib' >> ~/.bashrc source ~/.bashrc

安装必要的依赖库：

sudo apt-get install -y libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev protobuf-compiler gfortran libjpeg62 libfreeimage-dev libatlas-base-dev git python-dev python-pip libgoogle-glog-dev libbz2-dev libxml2-dev libxslt-dev libffi-dev libssl-dev libgflags-dev liblmdb-dev python-yaml
sudo easy_install pillow

下载Caffe并安装Python依赖库

cd ~ git clone https://github.com/BVLC/caffe.git cd caffe cat python/requirements.txt | xargs -L 1 sudo pip install

漫长的等待。。。

增长符号连接

sudo ln -s /usr/include/python2.7/ /usr/local/include/python2.7  
sudo ln -s /usr/local/lib/python2.7/dist-packages/numpy/core/include/numpy/ /usr/local/include/python2.7/numpy

而后修改Makefile.config

cp Makefile.config.example Makefile.config

用gedit打开Makefile.config（或者直接用vim在终端中打开修改也能够）

1)去掉 # CPU_ONLY: = 1 的注释

2)在PYTHON_INCLUDE下, 把/usr/lib/python2.7/dist-packages/numpy/core/include替换成/usr/local/lib/python2.7/dist-packages/numpy/core/include

3.编译Caffe

终于能够编译caffe了,这三句便可，若是前面配置一切正常，这里应该不会出错

make pycaffe  
make all  
make test

依然是等待。。。

4.测试

这里咱们测试一下CPU下的caffe可否正常运行便可:

首先为方便使用，咱们将PYTHONPATH写入.bashrc中：

echo 'export PYTHONPATH=/home/<USER>/caffe/python' >> ~/.bashrc source ~/.bashrc

而后在终端中输入：python和import caffe

一切正常

下面测试一下mnist数据集：

cd ~/caffe ./data/mnist/get_mnist.sh ./examples/mnist/create_mnist.sh

而后编辑examples/mnist文件夹下的lenet_solver.prototxt文件，将solver_mode模式从GPU改成CPU

./examples/mnist/train_lenet.sh

因为是使用CPU进行训练，因此速度会比较慢，大概三十分钟才能整个训练完

配置过程主要参考官方文档：Ubuntu 14.04 VirtualBox VM · BVLC/caffe Wiki · GitHub

后面若是须要的话，还会继续添加在Ubuntu14.04中的caffe配置，但目前这两种已经够用了

 

 


１．学习程序的第一步，先让程序跑起来，看看结果，这样就会有直观的感觉。
Caffe的官网上 Caffe | Deep Learning Framework 提供了不少的examples,你能够很容易地开始训练一些已有的经典模型，如LeNet。我建议先从 LeNet MNIST Tutorial开始，由于数据集很小，网络也很小但很经典，用不多的时间就能够跑起来了。当你看到terminal刷拉拉的一行行输出，看到不断减小的loss和不断上升的accuracy，训练结束你获得了99+%的准确率，感受好厉害的样子。你能够多跑跑几个例子，熟悉一下环境和接口。

２．单步调试，跟着Caffe在网络里流动
当玩了几天以后，你对Caffe的接口有点熟悉了，对已有的例子也玩腻了，你开始想看看具体是怎么实现的了。我以为最好的方法是经过单步调试的方式跟着程序一步一步的在网络里前向传播，而后再被当成偏差信息传回来。

Caffe就像一个你日常编程中Project,你可使用IDE或者GDB去调试它，这里咱们不细说调试的过程。你能够先跟踪前向传播的过程，无非就是从高层次到低层次的调用Forward函数，　Solver->Net->Layer->Specific Layer (Convolution等...).后向传播也相似，但由于你对Caffe里面的各类变量运算不熟悉，当你跟踪完前向传播时可能已经头晕眼花了，仍是休息一下，消化一下整个前向传播的流程。

刚刚开始你没有必要对每一个Layer的计算细节都那么较真，大概知道程序的运算流程就好，这样你才能够比较快的对Caffe有个大致的把握。

３．个性化定制Caffe
到这里，你已经能够说本身有用过Caffe了，可是还不能算入门，由于你还不知道怎么修改源码，知足本身特定的需求。咱们不少时候都须要本身定义新的层来完成特定的运算，这时你须要在Caffe里添加新的层。

你一开确定无从下手，脑子一片空白。幸运的是Caffe github上的Wiki Development · BVLC/caffe Wiki · GitHub已经有了教程了，并且这是最接近latest Caffe的源码结构的教程，你在网上搜到的Blog不少是有点过期的，由于Caffe最近又重构了代码。你能够跟着它的指导去添加本身的层。

虽然你已经知道要在哪里添加本身的东西了，但你遇到最核心的问题是如何写下面这四个函数。
  • forward_cpu()
  • forward_gpu()
  • backward_cpu()
  • backward_gpu()
你能够先模仿已有的层去实现这四个函数，并且我相信forward函数很快就能够写出来了，但backward的仍是一头雾水。 这时咱们就要补补神经网络里最核心的内容了——Backpropagation.

４．理解并实现Backpropagation
这个我以为是与平台无关的，无论你是使用Caffe、Torch 7,仍是Theano,你都须要深入理解并掌握的。由于我比较笨，花了好长时间才可以适应推导中的各类符号。其实也不难，就是偏差顺着Chain rule法则流回到前面的层。我不打算本身推导后向传播的过程，由于我知道我没有办法将它表达得很好，并且网上已经有不少很是好的教程了。下面是我以为比较好的学习步骤吧。
  • 从浅层的神经网络（所谓的全链接层）的后向传播开始，由于这个比较简单，并且如今咱们常说的CNN和LSTM的梯度计算也最终会回归到这里。
    • 第一个必看的是Ng深刻浅出的Ufldl教程UFLDL Tutorial，还有中文版的，这对不喜欢看英语的同窗是个好消息。固然你看一遍不理解，再看一遍，忘了，再看，读个几遍你才会对推导过程和数学符号熟悉。我头脑不大行，来来回回看了好屡次。
    • 固然，Ufldl的教程有点短，我还发现了一个讲得更细腻清晰的教程, Michael Nielsen写的Neural networks and deep learning。它讲得实在太好了，以致于把个人任督二脉打通了。在Ufldl的基础上读这个，你应该能够很快掌握全链接层的反向传播。
    • 最后在拿出standford大牛karpathy的一篇博客Hacker's guide to Neural Networks，这里用了具体的编程例子手把手教你算梯度，并非推导后向传播公式的，是关于通用梯度计算的。用心去体会一下。
  • 这时你跃跃欲试，回去查看Caffe源码里Convolution层的实现，但发现本身好像没看懂。虽然说卷积层和全链接层的推导大同小异，但思惟上仍是有个gap的。我建议你先去看看Caffe如何实现卷积的，Caffe做者贾扬清大牛在知乎上的回答在 Caffe 中如何计算卷积？让我茅塞顿开。重点理解im2col和col2im.
  • 这时你知道了Convolution的前向传播，还差一点就能够弄明白后向传播怎么实现了。我建议你死磕Caffe中Convolution层的计算过程，把每一步都搞清楚，通过痛苦的过程以后你会对反向传播有了新的体会的。在这以后，你应该有能力添加本身的层了。再补充一个完整的添加新的层的教程Making a Caffe Layer • Computer Vision Enthusiast。这篇教程从头开始实现了一个Angle To Sine Cosine Layer，包含了梯度推导，前向与后向传播的CPU和GPU函数，很是棒的一个教程。
  • 最后，建议学习一下基本的GPU Cuda编程，虽然Caffe中已经把Cuda函数封装起来了，用起来很方便，但有时仍是须要使用kernel函数等Cuda接口的函数。这里有一个入门的视频教程，讲得挺不错的NVIDIA CUDA初级教程视频。
 
 

本文只涉及Caffe结构的相关问题，不涉及具体实现技巧等细节。

==============================================================

1. 初识Caffe
1.1. Caffe相对与其余DL框架的优势和缺点：
优势：
  • 速度快。Google Protocol Buffer数据标准为Caffe提高了效率。
  • 学术论文采用此模型较多。不肯定是否是最多，但接触到的很多论文都与Caffe有关（R-CNN，DSN，最近还有人用Caffe实现LSTM）
缺点：
  • 曾更新太重要函数接口。有人反映，偶尔会出现接口变换的状况，本身好久前写的代码可能过了一段时间就不能和新版本很好地兼容了。（如今更新速度放缓，接口逐步趋于稳定，感谢 评论区王峰的建议）
  • 对于某些研究方向来讲的人并不适合。这个须要对Caffe的结构有必定了解，（后面提到）。
1.2. Caffe代码层次。
回答里面有人说熟悉Blob，Layer，Net，Solver这样的几大类，我比较赞同。我基本是从这个顺序开始学习的，这四个类复杂性从低到高，贯穿了整个Caffe。把他们分为三个层次介绍。
  • Blob：是基础的数据结构，是用来保存学习到的参数以及网络传输过程当中产生数据的类。
  • Layer：是网络的基本单元，由此派生出了各类层类。修改这部分的人主要是研究特征表达方向的。
  • Net：是网络的搭建，将Layer所派生出层类组合成网络。Solver：是Net的求解，修改这部分人主要会是研究DL求解方向的。

==============================================================

2. Caffe进阶
2.1. Blob：
Caffe支持CUDA，在数据级别上也作了一些优化，这部分最重要的是知道它主要是对protocol buffer所定义的数据结构的继承，Caffe也所以能够在尽量小的内存占用下得到很高的效率。（追求性能的同时Caffe也牺牲了一些代码可读性）
在更高一级的Layer中Blob用下面的形式表示学习到的参数： 
vector<shared_ptr<Blob<Dtype> > > blobs_;
这里使用的是一个Blob的容器是由于某些Layer包含多组学习参数，好比多个卷积核的卷积层。
以及Layer所传递的数据形式，后面还会涉及到这里： 
vector<Blob<Dtype>*> &bottom;
vector<Blob<Dtype>*> *top
2.2. Layer：
2.2.1. 5大Layer派生类型
Caffe十分强调网络的层次性，也就是说卷积操做，非线性变换（ReLU等），Pooling，权值链接等所有都由某一种Layer来表示。具体来讲分为5大类Layer
  • NeuronLayer类 定义于neuron_layers.hpp中，其派生类主要是元素级别的运算（好比Dropout运算，激活函数ReLu，Sigmoid等），运算均为同址计算（in-place computation，返回值覆盖原值而占用新的内存）。
  • LossLayer类 定义于loss_layers.hpp中，其派生类会产生loss，只有这些层可以产生loss。
  • 数据层 定义于data_layer.hpp中，做为网络的最底层，主要实现数据格式的转换。
  • 特征表达层（我本身分的类）定义于vision_layers.hpp（为何叫vision这个名字，我目前还不清楚），实现特征表达功能，更具体地说包含卷积操做，Pooling操做，他们基本都会产生新的内存占用（Pooling相对较小）。
  • 网络链接层和激活函数（我本身分的类）定义于common_layers.hpp，Caffe提供了单个层与多个层的链接，并在这个头文件中声明。这里还包括了经常使用的全链接层InnerProductLayer类。
2.2.2. Layer的重要成员函数
在Layer内部，数据主要有两种传递方式， 正向传导（Forward）和 反向传导（Backward）。Forward和Backward有CPU和GPU（部分有）两种实现。Caffe中全部的Layer都要用这两种方法传递数据。 
virtual void Forward(const vector<Blob<Dtype>*> &bottom, vector<Blob<Dtype>*> *top) = 0; virtual void Backward(const vector<Blob<Dtype>*> &top, const vector<bool> &propagate_down, vector<Blob<Dtype>*> *bottom) = 0;
Layer类派生出来的层类经过这实现这两个虚函数，产生了各式各样功能的层类。Forward是从根据bottom计算top的过程，Backward则相反（根据top计算bottom）。注意这里为何用了一个包含Blob的容器（vector），对于大多数Layer来讲输入和输出都各链接只有一个Layer，然而对于某些Layer存在一对多的状况，好比LossLayer和某些链接层。在网路结构定义文件（*.proto）中每一层的参数bottom和top数目就决定了vector中元素数目。 
layers { bottom: "decode1neuron" // 该层底下链接的第一个Layer bottom: "flatdata" // 该层底下链接的第二个Layer top: "l2_error" // 该层顶上链接的一个Layer name: "loss" // 该层的名字 type: EUCLIDEAN_LOSS // 该层的类型 loss_weight: 0 }
2.2.3. Layer的重要成员变量
loss
 
vector<Dtype> loss_;
每一层又有一个loss_值，只很少大多数Layer都是0，只有LossLayer才可能产生非0的loss_。计算loss是会把全部层的loss_相加。
learnable parameters 
vector<shared_ptr<Blob<Dtype> > > blobs_;
前面提到过的，Layer学习到的参数。
2.3. Net：
Net用容器的形式将多个Layer有序地放在一块儿，其自身实现的功能主要是对逐层Layer进行初始化，以及提供Update( )的接口（更新网络参数），自己不能对参数进行有效地学习过程。 
vector<shared_ptr<Layer<Dtype> > > layers_;
一样Net也有它本身的 
vector<Blob<Dtype>*>& Forward(const vector<Blob<Dtype>* > & bottom, Dtype* loss = NULL); void Net<Dtype>::Backward();
他们是对整个网络的前向和方向传导，各调用一次就能够计算出网络的loss了。
2.4. Solver
这个类中包含一个Net的指针，主要是实现了训练模型参数所采用的优化算法，它所派生的类就能够对整个网络进行训练了。 
shared_ptr<Net<Dtype> > net_;
不一样的模型训练方法经过重载函数ComputeUpdateValue( )实现计算update参数的核心功能 
virtual void ComputeUpdateValue() = 0;
最后当进行整个网络训练过程（也就是你运行Caffe训练某个模型）的时候，其实是在运行caffe.cpp中的train( )函数，而这个函数其实是实例化一个Solver对象，初始化后调用了Solver中的Solve( )方法。而这个Solve( )函数主要就是在迭代运行下面这两个函数，就是刚才介绍的哪几个函数。 
ComputeUpdateValue(); net_->Update();

==============================================================

至此，从底层到顶层对Caffe的主要结构都应该有了大体的概念。为了集中重点介绍Caffe的代码结构，文中略去了大量Caffe相关的实现细节和技巧，好比Layer和Net的参数如何初始化，proto文件的定义，基于cblas的卷积等操做的实现（cblas实现卷积这一点个人我的主页 GanYuFei中的《Caffe学习笔记5-BLAS与boost::thread加速》有介绍）等等就不一一列举了。

总体来看Layer部分代码最多，也反映出Caffe比较重视丰富网络单元的类型，然而因为Caffe的代码结构高度层次化，使得某些研究以及应用（好比研究相似非逐层链接的神经网络这种复杂的网络链接方式）难以在该平台实现。这也就是一开始说的一个不足。

另外，Caffe基本数据单元都用Blob，使得数据在内存中的存储变得十分高效，紧凑，从而提高了总体训练能力，而同时带来的问题是咱们看见的一些可读性上的不便，好比forward的参数也是直接用Blob而不是设计一个新类以加强可读性。因此说性能的提高是以可读性为代价的。
最后一点也是最重要的一点，我从Caffe学到了不少。第一次看的C++项目就看到这么好的代码，实在是受益不浅，在这里也感谢做者贾扬清等人的贡献。
 
 
 
相关文章
相关标签/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公众号
   欢迎关注本站公众号,获取更多信息
联系我们 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程