【caffe-Windows】微软官方caffe之 Python接口配置及图片生成实例

前言

发现许多代码还是用python写的,所以还是配置一下接口吧,虽然博主不会Python,咳咳。在这里使用的python安装包是anaconda2,注意使用Python2.7版本的那个安装包

官网地址:https://www.continuum.io/downloads

百度云:链接:https://pan.baidu.com/s/1hIDvgrnX_-6idLyl2D9BRg  密码:k9zp 

测试的实例是2015年一篇利用噪声生成一张真实图片的代码,使用的caffe+python时下

注意一下,我第一安装的时候竟然没有jupyter notebook,所以卸载了一下,又重新安装了一次anaconda,安装过程直接各种下一步就行了。

测试方法是直接在dos输入jupyter notebook,看是否有一个网页弹出来。

 

C:\Users\Bingo>jupyter notebook
[I 10:16:40.512 NotebookApp] [nb_conda_kernels] enabled, 2 kernels found
[I 10:16:41.680 NotebookApp] 鉁?nbpresent HTML export ENABLED
[W 10:16:41.680 NotebookApp] 鉁?nbpresent PDF export DISABLED: No module named n
bbrowserpdf.exporters.pdf
[I 10:16:41.690 NotebookApp] [nb_conda] enabled
[I 10:16:41.812 NotebookApp] [nb_anacondacloud] enabled
[I 10:16:42.140 NotebookApp] Serving notebooks from local directory: C:\Users\Bi
ngo
[I 10:16:42.140 NotebookApp] 0 active kernels
[I 10:16:42.141 NotebookApp] The Jupyter Notebook is running at: http://localhos
t:8888/
[I 10:16:42.141 NotebookApp] Use Control-C to stop this server and shut down allkernels (twice to skip confirmation).

 

 

第一步

 

编译caffe接口,修改配置文件CommonSettings.props:

第13行:

 

        <PythonSupport>true</PythonSupport>

第48行:

 

 

        <PythonDir>C:\Program Files\Anaconda2\</PythonDir>

然后保存,去编译Release版本的pycaffe,好像如果编译Debug版本会出现python27_d.lib找不到什么的。

 


等编译完成以后,有如下文件夹:


直接将caffe这个文件夹拷贝到C:\Program Files\Anaconda2\Lib\site-packages即可。

第二步

试试import caffe

 

Microsoft Windows [版本 6.1.7601]
版权所有 (c) 2009 Microsoft Corporation。保留所有权利。C:\Users\Bingo>python
Python 2.7.12 |Anaconda 4.2.0 (64-bit)| (default, Jun 29 2016, 11:07:13) [MSC v.
1500 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
Anaconda is brought to you by Continuum Analytics.
Please check out: http://continuum.io/thanks and https://anaconda.org
>>> import caffe

这一步应该会出现不同的问题,我出现的是

ImportError: No module named google.protobuf.internal

这个错误,反正只要跟protobuf相关的错误,你就直接在dos下安装,方法是:

C:\windows\system32>conda install protobuf

【PS】此处有的读者使用这个命令安装可能出现问题,如果不行的话就用pip install protobuf 安装吧,因为我当时用pip安装出问题了,所以只写了conda安装方法,两个都试试吧

然后就会慢慢安装,安装过程如下:

Microsoft Windows [版本 6.1.7601]
版权所有 (c) 2009 Microsoft Corporation。保留所有权利。C:\windows\system32>conda install protobuf
Fetching package metadata ..........Could not connect to https://repo.continuum
io/pkgs/free/win-64/
........
Solving package specifications: ..........Package plan for installation in environment C:\Program Files\Anaconda2:The following packages will be downloaded:package                    |            build---------------------------|-----------------conda-env-2.5.2            |           py27_0          66 KB  conda-forgeconda-4.1.12               |           py27_0         263 KB  conda-forgeprotobuf-3.0.0             |       py27_vc9_0        11.1 MB  conda-forge------------------------------------------------------------Total:        11.4 MBThe following NEW packages will be INSTALLED:conda-env: 2.5.2-py27_0     conda-forgeprotobuf:  3.0.0-py27_vc9_0 conda-forge [vc9]The following packages will be SUPERCEDED by a higher-priority channel:conda:     4.2.9-py27_0                 --> 4.1.12-py27_0 conda-forgeProceed ([y]/n)? yFetching packages ...
conda-env-2.5. 100% |###############################| Time: 0:00:01  35.70 kB/s
conda-4.1.12-p 100% |###############################| Time: 0:00:03  71.46 kB/s
protobuf-3.0.0 100% |###############################| Time: 0:02:02  94.90 kB/s
Extracting packages ...
[      COMPLETE      ]|##################################################| 100%
Unlinking packages ...
[      COMPLETE      ]|##################################################| 100%
Linking packages ...
[      COMPLETE      ]|##################################################| 100%C:\windows\system32>

安装完毕,再去试试能否导入caffe:

 

 

Microsoft Windows [版本 6.1.7601]
版权所有 (c) 2009 Microsoft Corporation。保留所有权利。C:\Users\Bingo>python
Python 2.7.12 |Anaconda 4.2.0 (64-bit)| (default, Jun 29 2016, 11:07:13) [MSC v.
1500 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
Anaconda is brought to you by Continuum Analytics.
Please check out: http://continuum.io/thanks and https://anaconda.org
>>> import caffe
C:\Program Files\Anaconda2\lib\site-packages\caffe\pycaffe.py:13: RuntimeWarning
: to-Python converter for class boost::shared_ptr<class caffe::Net<float> > alre
ady registered; second conversion method ignored.from ._caffe import Net, SGDSolver, NesterovSolver, AdaGradSolver, \
C:\Program Files\Anaconda2\lib\site-packages\caffe\pycaffe.py:13: RuntimeWarning
: to-Python converter for class boost::shared_ptr<class caffe::Blob<float> > alr
eady registered; second conversion method ignored.from ._caffe import Net, SGDSolver, NesterovSolver, AdaGradSolver, \
C:\Program Files\Anaconda2\lib\site-packages\caffe\pycaffe.py:13: RuntimeWarning
: to-Python converter for class boost::shared_ptr<class caffe::Solver<float> > a
lready registered; second conversion method ignored.from ._caffe import Net, SGDSolver, NesterovSolver, AdaGradSolver, \
>>>

我这里有三个warning,看网上说不用管即可,如果有轻微强迫症,不想看到warning,可以去google上搜一下,有解决方案,需要修改cpp文件的东西,接下来我们引入一下实例看看效果。

 

第三步:

使用的实例是Texture Synthesis with Convolutional Neural Networks这篇论文的代码,主要实现的是利用噪声生成一张真实图片。
原文地址:https://arxiv.org/abs/1505.07376

github地址:https://github.com/leongatys/DeepTextures

百度云地址:链接:http://pan.baidu.com/s/1qYaqcZ6 密码:5cm9

使用方法是先打开jupyter notebook

【注意】此处打开的路径是你的代码解压以后的位置

 

Microsoft Windows [版本 6.1.7601]
版权所有 (c) 2009 Microsoft Corporation。保留所有权利。C:\Users\Bingo>E:E:\>cd E:\caffe-code\DeepTextures-masterE:\caffe-code\DeepTextures-master>jupyter notebook
[I 10:38:58.658 NotebookApp] [nb_conda_kernels] enabled, 2 kernels found
[I 10:38:59.819 NotebookApp] 鉁?nbpresent HTML export ENABLED
[W 10:38:59.819 NotebookApp] 鉁?nbpresent PDF export DISABLED: No module named n
bbrowserpdf.exporters.pdf
[I 10:38:59.829 NotebookApp] [nb_conda] enabled
[I 10:38:59.951 NotebookApp] [nb_anacondacloud] enabled
[I 10:39:00.283 NotebookApp] Serving notebooks from local directory: E:\caffe-co
de\DeepTextures-master
[I 10:39:00.283 NotebookApp] 0 active kernels
[I 10:39:00.283 NotebookApp] The Jupyter Notebook is running at: http://localhos
t:8888/
[I 10:39:00.285 NotebookApp] Use Control-C to stop this server and shut down allkernels (twice to skip confirmation).

然后浏览器弹出的页面会有当前目录的文件:

 



然后点击Example.ipynb,使用快捷键shift+Enter逐步运行,最后会出现一个迭代生成过程,就是一张图片一闪一闪的,但是我看其它人的都是由一个iteration数字在上面,不过不管怎么样,这样就是在生成图片了:

 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/246675.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

判别模型的玻尔兹曼机论文源码解读

前言 三号要去参加CAD/CG会议&#xff0c;投了一篇关于使用生成模型和判别模型的RBM做运动捕捉数据风格识别的论文。这段时间一直搞卷积RBM了&#xff0c;差点把原来的实验内容都忘记了&#xff0c;这里复习一下判别式玻尔兹曼机的训练流程。 国际惯例&#xff0c;贴几个链接…

Jacobian矩阵和Hessian矩阵

原文转自&#xff1a;http://jacoxu.com/?p146 1. Jacobian 在向量分析中, 雅可比矩阵是一阶偏导数以一定方式排列成的矩阵, 其行列式称为雅可比行列式. 还有, 在代数几何中, 代数曲线的雅可比量表示雅可比簇&#xff1a;伴随该曲线的一个代数群, 曲线可以嵌入其中. 它们全部都…

为什么梯度下降法对于非线性可分数据有效

前言 晚上逛微博看到的&#xff0c;顺便拿过来翻译一下&#xff0c;做做笔记 国际惯例&#xff0c;来个原文链接&#xff1a; 原文地址&#xff1a;Why is gradient descent robust to non-linearly separable data? PDF拷贝&#xff1a;http://download.csdn.net/detail/…

卷积RBM源码解读

前言 卷积RBM相对RBM来说具有很多优势&#xff0c;详细的我也不说了&#xff0c;看文章就行。主要还是为了加深自己对细节部分的理解吧。 国际惯例&#xff0c;贴几个链接 卷积RBM的创始人Honglak Lee&#xff1a;http://web.eecs.umich.edu/~honglak/hl_publications.html#…

c语言:递归法求n的阶乘|练习题

一、题目 输入一个数n&#xff0c;用递归法求n的阶乘 二、思路分析 1、因为n!(n-1)!*n,所以&#xff0c;可以选择用递归法 三、代码截图【带注释】 四、源代码【带注释】 #include <stdio.h> //思路&#xff1a; //因为n!(n-1)!*n,所以&#xff0c;可以选择用递归法 int…

【caffe-Windows】cifar实例编译之model的生成

参考&#xff1a;<span style"font-family: Arial, Helvetica, sans-serif;">http://blog.csdn.net/chengzhongxuyou/article/details/50715455</span> 准备工作 按照之前的教程&#xff0c;成功生成过caffe&#xff0c;并且编译整个caffe.sln项目工程&a…

机器学习性能改善备忘单:32个帮你做出更好预测模型的技巧和窍门

文章来源&#xff1a;大数据文摘 作者 | Jason Brownlee 选文 | Aileen 翻译 | 姜范波 校对 | 寒小阳 机器学习最有价值(实际应用最广)的部分是预测性建模。也就是在历史数据上进行训练&#xff0c;在新数据上做出预测。 而预测性建模的首要问题是&#xff1a; 如何才能得…

【caffe-Windows】新层添加——LSTM

前言 原始的【caffe-Windows】是没有LSTM层的&#xff0c;维护以后的caffe的windows版本也懒得配置了&#xff0c;因为大部分文章的代码还是基于老版caffe。其实大部分的添加层方法都可以参考本博客&#xff0c;仅限Windows。 需要的文件有&#xff1a; 1. 原始的caffe-Wind…

【caffe-Windows】关于LSTM的使用-coco数据集

前言 建议大家使用Linux&#xff0c;因为Linux下的配置就没这么麻烦&#xff0c;各种make就行啦。Linux用户请绕道&#xff0c;因为此博客只针对Windows&#xff0c;可能比Linux麻烦很多倍。 在caffe-Windows新增LSTM层以后&#xff0c;相信很多人和我一样很好奇如何使用这一…

【caffe-Windows】关于LSTM的简单小例子

前言 这里主要是看到了一个简单的LSTM例子&#xff0c;比上一个coco简单很多&#xff0c;所以在这里记录一下&#xff0c;便于后续的分析&#xff0c;参考博客在上一篇文章的末尾提到过&#xff1a;Recurrent neural nets with Caffe 需要说明的是这个例子也并非原原本本的使…

概率有向图模型

1. 前言 主要参考书籍《深度学习导论及案例分析》、维基百科“贝叶斯网络”、老笨妞的博客、PRML中文翻译&#xff0c;重点还是概念的掌握和几个小理论的推导&#xff0c;比较枯燥。加入了自己的一些简单理解。 个人感觉概率有向图模型最大的意义在于&#xff1a;一个特定的有…

概率无向图模型

1. 前言 前面看了概率有向图模型&#xff0c;必然对无向图模型也要研究一下。而且这个概率无向图模型对学习RBM有很大的帮助&#xff0c;它关系到能量函数的来源&#xff0c;所以还是看看吧。参考资料依旧是概率有向图模型中参考的三个资料。 有向图将一组变量上的联合概率分…

softmax理论及代码解读——UFLDL

前言 看了各种softmax以后迷迷糊糊的&#xff0c;还是研究一下UFLDL的教程稳点。当然还是得参考挺多教程的&#xff1a;UFLDL-softmax 、Softmax的理解与应用 、Logistic 分类器与 softmax分类器 、详解softmax函数以及相关求导过程 、Exercise:Softmax Regression 。 【UFLDL…

二值RBM与实值RBM理论及代码解读

1. 前言 虽然推导过二值形式的RBM&#xff0c;但是对于可见层为实值的输入还是半知半解的。最近写个深度学习相关综述&#xff0c;看了一些关于RBM的文献&#xff0c;这里做一下对比总结。但是不倾向于对实值RBM的推导&#xff0c;而是相关代码的实现。 2. RBM回顾 RBM是具有…

【caffe-Windows】添加工程-以classification为例

前言 兴趣所向&#xff0c;研究一下如何在caffe工程之外建立一个属于自己的工程&#xff0c;这里以分类为例&#xff0c;将classification.cpp提取出来&#xff0c;然后调用相应的三方库和libcaffe.lib进行编译。这里比较建议有一丢丢C功底的同志参考学习&#xff0c;主要涉及…

MKL学习——数学运算库安装调试

前言 最近要用C折腾一些东西&#xff0c;涉及到矩阵运算&#xff0c;看了一下网上推荐的数学库&#xff0c;貌似MKL还是蛮不错滴&#xff0c;放到VS2013里面试试 国际惯例&#xff0c;来波地址 blas, cblas, openblas, atlas, lapack, mkl性能对比 Compiling and Linking I…

MKL学习——向量操作

前言 推荐两个比较好的教程: BLAS (Basic Linear Algebra Subprograms) LAPACK for Windows 命名规范 BLAS基本线性代数子程序的函数命令都有一定规范&#xff0c;便于记忆 <character> <name> <mod> () character 定义的是数据类型 s实数域&#…

【caffe-Windows】识别率批量输出——matlab实现

前言 今天看到群里有人问”用matlab输出测试集的精度“&#xff0c;瞎试了一下&#xff0c;好像还成功了。主要还是依据前面所有在matlab中操作caffe的博客。 这里说一下&#xff1a;classification.m是适用单张图片的精度&#xff0c;类似于classification.exe的功能&#x…

相机矩阵(Camera Matrix)

前言 最近翻阅关于从2D视频或者图片中重构3D姿态的文章及其源码&#xff0c;发现都有关于摄像机参数的求解&#xff0c;查找了相关资料&#xff0c;做一下笔记。 国际惯例&#xff0c;来一波参考网址 透视变换、透镜畸变及校正模型、相机校正(Camera Calibration)、Matlab相…

损失函数梯度对比-均方差和交叉熵

前言 我们都知道在机器学习中&#xff0c;希望算法或者网络收敛更快&#xff0c;有些是对数据预处理&#xff0c;尤其是Batch Normalization&#xff0c;有些是采用不同的激活函数&#xff0c;尤其是Relu激活函数取得了巨大的成功&#xff0c;还有一种加速收敛方法是更换损失函…