一張圖看caffe目錄結構
阿新 • • 發佈：2019-01-01
Caffe是用C++編寫的深度學習框架，大量使用類的封裝，繼承，多型
Caffe根目錄下執行tree命令檢視caffe目錄結構
$ cd /home/name/Documents/caffe-master
$ tree -d. ├── build -> .build_release //編譯結果存放處，.build_release不是一個目錄找不到 ├── cmake //cmake編譯用 │ ├── External │ ├── Modules │ └── Templates ├── data //存放原始資料以及資料獲取指令碼 │ ├── cifar10 //存放cifar10小圖片原始資料 │ ├── ilsvrc12 //存放ImageNet Meta資料，原始資料要另外下載 │ ├── mnist //存放MNIST手寫數字影象資料 │ └── myself //存放我的資料，自己建立的 ├── distribute //編譯後生成釋出包的位置，用於遷移 │ ├── bin │ └── lib ├── docker //用於遷移的工具 │ ├── standalone │ │ ├── cpu │ │ └── gpu │ └── templates ├── docs //doxygen工程檔案放這裡，可生成Caffe ref_man.pdf │ ├── images │ ├── _layouts │ ├── stylesheets │ └── tutorial │ └── fig ├── examples //存放Caffe簡單例程 │ ├── cifar10 //存放cifar10例程 │ ├── cpp_classification //影象分類例程 │ ├── feature_extraction //特徵提取例程 │ ├── finetune_flickr_style //finetune例程 │ ├── finetune_pascal_detection //finetune例程 │ ├── hdf5_classification //使用HDF5的分類例程 │ ├── imagenet //Imagenet例程，使用bvlc_reference_caffenet │ ├── images │ ├── mnist //mnist手寫字元識別例程 │ │ ├── mnist_test_lmdb │ │ └── mnist_train_lmdb │ ├── myself │ │ ├── ilsvrc12_train_lmdb │ │ └── ilsvrc12_val_lmdb │ ├── net_surgery │ ├── pycaffe │ │ └── layers │ ├── siamese │ ├── _temp │ │ └── features │ └── web_demo //一個Web Server +分類例程 │ └── templates ├── include //Caffe標頭檔案集中存放目錄 │ └── caffe │ ├── layers │ ├── test │ └── util ├── matlab //Matlab做Wrapper，具體參考RCNN原始碼 │ ├── +caffe │ │ ├── imagenet │ │ ├── private │ │ └── +test │ ├── demo │ └── hdf5creation ├── models //存放示例模型 │ ├── bvlc_alexnet //Alexnet模型 │ ├── bvlc_googlenet //GoogleNet │ ├── bvlc_reference_caffenet //caffe模擬的Alexnet模型 │ ├── bvlc_reference_rcnn_ilsvrc13 //Rcnn模型 │ └── finetune_flickr_style ├── python //用於Python wrapper │ └── caffe │ ├── imagenet │ ├── proto │ └── test ├── scripts //一些文件和資料用到的指令碼 │ └── travis ├── src //caffe原始碼 │ ├── caffe │ │ ├── layers //各個層具體實現 │ │ ├── proto //即所謂的“Protobuf”，幫助caffe提速描述文集，學習資料結果先從這裡開始 │ │ ├── solvers //優化方法類Solver │ │ ├── test │ │ │ └── test_data │ │ └── util //資料轉換時用的一些程式碼。caffe速度快，很大程度得益於記憶體設計上的優化（blob資料結構採用proto） // 和對卷積的優化（部分與im2col相關）及cudnn加速 │ └── gtest └── tools //常用學習原始碼 └── extra