深度学习框架caffe的介绍Robothy1.1caffe产生提出了一个很好的概率框架来表达人 的行为但是因为图像上提取的特征比较弱，可以外推的结果比较有限。NVIDIA赠送GPU贾扬清1.2Caffe的特点上手快跨平台社区好开放性速度快2.1硬件配置与操作系统处理器：Intel(R) Core(TM) i5-3230M CPU 2.60GHz 内存：4GB 操作系统：Ubuntu14.04 64bit磁盘：安装磁盘空间为100GB2.2依赖库与工具依赖包：lprotobuf leveldb snappy opencv hdf5-serial protobuf-compiler boost工具：google-glog、google-gflag、git2.3 核心软件的安装lmdbOpenCVCaffegit clone3.1 mnist数据集手写数字图片60000张训练库图片10000张测试库图片./get_mnist.sh3.2mnist数据集的格式转换3.3全局参数配置（lenet_solver.prototxt）3.4 LeNet网络（lenet_train_test.prototxt）layer name: “mnist“type: “Data“transform_param scale: 0.00390625data_param source: “mnist_train_lmdb“backend: LMDBbatch_size: 64top: “data“top: “label“ layer name: “conv1“type: “Convolution“param lr_mult: 1 param lr_mult: 2 convolution_param num_output: 20kernel_size: 5stride: 1weight_filler type: “xavier“bias_filler type: “constant“bottom: “data“top: “conv1“ 3.5 训练与测试I0614 00:40:08.291082 7064 sgd_solver.cpp:106 Iteration 100, lr = 0.00992565 I0614 00:40:17.023165 7064 solver.cpp:228 Iteration 200, loss = 0.143513 I0614 00:40:17.023233 7064 solver.cpp:244 Train net output #0: loss = 0.143513 (* 1 = 0.143513 loss) I0614 00:40:17.023252 7064 sgd_solver.cpp:106 Iteration 200, lr = 0.00985258 I0614 00:40:25.631428 7064 solver.cpp:228 Iteration 300, loss = 0.162749 I0614 00:40:25.631542 7064 solver.cpp:244 Train net output #0: loss = 0.162749 (* 1 = 0.162749 loss) I0614 00:40:25.631561 7064 sgd_solver.cpp:106 Iteration 300, lr = 0.00978075 I0614 00:40:34.705716 7064 solver.cpp:228 Iteration 400, loss = 0.0588523 I0614 00:40:34.705777 7064 solver.cpp:244 Train net output #0: loss = 0.0588523 (* 1 = 0.0588523 loss)mnist训练时间约20min4 caffe的应用实例识别一张动物图片采用已训练好模型： ImageNet d o g测试对象：Model Zoo测试结果：博美犬威尔士柯基犬碟耳长毛玩赏小狗吉娃娃（一种产于墨西哥的狗）未成功安装GPU驱动程序，模型的训练是通过CPU进行运算未深入研究caffe所应用到的深度学习网络模型未研究深度学习相关数学知识以及caffe源代码5 小结基本完成caffe运行环境搭建成功训练了mnist模型准确识别出图像谢谢！深度学习框架caffe的介绍