Caffe及視覺化環境安裝
安裝Anaconda(optional)
Anaconda是一個python科學計算環境,提供了很多包用於科學計算。如果不使用Anaconda作為主要python開發環境的話,可選擇不安裝,使用系統提供的python開發環境即可。因為我經常使用python的notebook在瀏覽器中寫python程式碼,故我會在下面示例指令碼中配置notebook。
# 安裝Anaconda,安裝過程注意分配安裝目錄, 安裝完時會提示是否配置.bashrc, 選擇YES。
bash Anaconda2-4.0.0-Linux-x86_64.sh
# 生成notebook預設配置檔案, 配置檔案路徑為~/.jupyter/jupyter_notebook_config.py.
jupyter-notebook --generate-config
# 生成notebook遠端登入密碼,在ipython中執行如下程式碼:
In [1]: from notebook.auth import passwd
In [2]: passwd()
password: # 輸入你為notebook服務準備的遠端登入密碼
Verify password: # 重新輸入上面的密碼
Out[2]: 'sha1:****' # 生成的加密後的遠端密碼
# 開啟notebook預設配置檔案~/.jupyter/jupyter_notebook_config.py。新增如下內容:
c.NotebookApp.ip = '*' # notebook服務的IP地址為本機地址
c.NotebookApp.open_browser = False # 啟動notebook服務時不開啟瀏覽器
c.NotebookApp.password = u'sha1:****' # 將上面生成的加密後的遠端密碼複製到這裡
c.NotebookApp.port = 8888 # 訪問notebook服務的埠
# 啟動notebook服務
nohup jupyter-notebook 1>>jupyter-notebook.log 2 >>jupyter-notebook.log &
或 nohup jupyter-notebook --config=/path/to/myconfig.py 1>>jupyter_notebook.log 2>>jupyter_notebook.log &
安裝Caffe
如果想使用Digts這款視覺化環境來進行深度學習的訓練,那麼使用NVIDIA分支的Caffe,因為BVLC版本的Caffe不支援Digits視覺化環境。
# 如果使用Anaconda作為python開發環境,確保.bashrc中已經配置好Anaconda的環境變數,我的.bashrc中Anaconda的環境變數如下.
export PATH="/home/xinxin/software/anaconda2-4.0.0/bin:$PATH"
# 使用cmake編譯Caffe, 這樣可以使自己的C++工程很方便的在CMakelist.txt引入Caffe的標頭檔案和連結庫.
# 在CMakelist.txt中配置python, 是否支援GPU等, 我在CMakeList.txt中禁用了cuDNN, 不然會編譯出錯.
git clone [email protected].com:BVLC/caffe.git
cd caffe && mkdir cmake_build && cd cmake_build
cmake .. -DBUILD_SHARED_LIB=ON # 預設會生成動態庫,需要注意的是, 我這裡開啟動態庫的原因是, C++工程連結Caffe動態庫最方便,連結靜態庫的話,會需要額外連結其他的一些依賴庫.
make -j 8 && make install # Caffe預設安裝位置是build_dir/install.
# 安裝Caffe的python介面,方便使用python操作Caffe
cd caffe && make -j8
pip install -r caffe/python/requirements.txt # 安裝python依賴
cp Makefile.config.example Makefile.config
vi Makefile.config # 使用Anaconda的話,修改python路徑
make pycaffe
make test -j8
make runtest -j8
# 新增Caffe的python介面道.bashrc
export PYTHONPATH=/home/xinxin/caffe/python:$PYTHONPATH
安裝Digits
Digits是NVIDIA開發一款Caffe視覺化操作工具,可以很方便的在網頁中對資料操作和訓練模型。
git clone https://github.com/NVIDIA/DIGITS.git
cd digits
pip install -r requirements.txt
nohup ./digits-devserver -p 5001 & # 啟動Digts服務,埠是5001
CMake工程中引入Caffe
cmake_minimum_required(VERSION 2.8.8)
find_package(Caffe)
include_directories(${Caffe_INCLUDE_DIRS})
add_definitions(${Caffe_DEFINITIONS})
add_executable(caffeinated_application main.cpp)
target_link_libraries(caffeinated_application ${Caffe_LIBRARIES})
相關推薦
Caffe及視覺化環境安裝
安裝Anaconda(optional) Anaconda是一個python科學計算環境,提供了很多包用於科學計算。如果不使用Anaconda作為主要python開發環境的話,可選擇不安裝,使用系統提供的python開發環境即可。因為我經常使用python的n
elasticsearch叢集及視覺化外掛安裝
elasticsearch叢集安裝 1 首先安裝幾個elasticsearch節點,將其中一個作為master節點 2 開啟mater節點下的配置檔案,指定叢集名稱,當前節點名,是否是master節點,同時指定當前節點對應的ip,配置如下:
【13】Caffe學習系列:資料視覺化環境(python介面)配置
caffe程式是由c++語言寫的,本身是不帶資料視覺化功能的。只能藉助其它的庫或介面,如opencv, python或matlab。更多人會使用python介面來進行視覺化,因為python出了個比較強大的東西:ipython notebook, 現在的最新版本改名叫jupyter notebook
Python資料分析及視覺化的基本環境
首先搭建基本環境,假設已經有Python執行環境。然後需要裝上一些通用的基本庫,如numpy, scipy用以數值計算,pandas用以資料分析,matplotlib/Bokeh/Seaborn用來資料視覺化。再按需裝上資料獲取的庫,如Tushare(http://pyth
MAC--安裝mysql及視覺化工具 Navicat Premiun
MAC–安裝mysql 由於學習,需要安裝mysql,但是Mac作為極少數人使用的工具(相對於pc),找些軟體並安裝令人煩躁。切作備份及分享。不過mysql對於Mac還是很友好的。會安裝的同學下拉,直接找到Navicat Premiun(破解版,漢語)。
Caffe學習系列:資料視覺化環境(python介面)配置
caffe程式是由c++語言寫的,本身是不帶資料視覺化功能的。只能藉助其它的庫或介面,如opencv, Python或matlab。大部分人使用python介面來進行視覺化,因為python出了個比較強大的東西:ipython notebook, 現在的最新版本改名叫ju
Caffe 例項筆記 1 CaffeNet從訓練到分類及視覺化引數特徵 微調
本文主要分四部分 1. 在命令列進行訓練 2. 使用pycaffe進行分類及特徵視覺化 3. 進行微調,將caffenet使用在圖片風格的預測上 1 使用caffeNet訓練自己的資料集 1.1 建立lmdb 使用對應的資料集建立lmd
Caffe學習系列(13):資料視覺化環境(python介面)配置 jupyter notebook
caffe程式是由c++語言寫的,本身是不帶資料視覺化功能的。只能藉助其它的庫或介面,如opencv, python或matlab。大部分人使用python介面來進行視覺化,因為python出了個比較強大的東西:ipython notebook, 現在的最新版本改名叫jupyter notebook,它能將
Python及視覺化工具PyCharm 的安裝
Python的介紹 是一種計算機程式設計語言。是一種面向物件的動態型別語言 。 可以應用於以下領域: Web 和 Internet
Zoookeeper及視覺化UI的部署
首先介紹一下Zookeeper,Zookeeper作為一個分散式的服務框架,主要用來解決分散式叢集中應用系統的一致性問題,它能提供基於類似於檔案系統的目錄節點樹方式的資料儲存. Zookeeper的安裝 ①Zookeeper下載 選擇合適的版本進行下載即可 [root@node-
caffe windows 視覺化
我是使用cmake的方法進行的caffe的編譯,可以看我之前的部落格。將caffe目錄下的python資料夾中的caffe資料夾拷貝到python\Lib\site-packages路徑下。然後在import caffe,出現的一般是升級之類的問題,按照要求解決就行了。 之後在spyder中
空間相互作用資料探勘及視覺化分析相關文章綜述
祝曦在“海量空間相互作用資料探勘及視覺化”中提出了 一種從大規模空間相互作用資料中提煉地理特徵資訊的方法,主要步驟包括:將空間點聚合成類,計算統計量度,然後視覺化統計量度來發現時空模式。文中將該方法作用在一組計程車資料上,這一組計程車資料描述中國深圳市的 2331
【機器學習】決策樹剪枝優化及視覺化
前言 \quad\quad 前面,我們介紹了分類決策樹的實現,以及用 sklearn 庫中的 DecisionTre
caffe網路視覺化的多種方式
文章目錄 寫在前面 draw_net pycaffe工具 Netscope 線上caffe網路視覺化編輯工具 寫在前面 在caffe網路的訓練和除錯的過程中,將網路結構視覺化,可以更加直觀地進行網路調整,將ca
智聯Python相關職位的資料分析及視覺化-Pandas&Matplotlib篇 python
Numpy(Numerical Python的簡稱)是Python科學計算的基礎包。它提供了以下功能: 快速高效的多維陣列物件ndarray。 用於對陣列執行元素級計算以及直接對陣列執行數學運算的函式。 用於讀寫硬碟上基於陣列的資料集的工具。 線性代數運算、傅立
開源釋出:VS程式碼段快捷方式及視覺化除錯快速部署工具
前言: 很久前,我發過兩篇文章,分別介紹自定義程式碼版和視覺化除錯: 具體可以用兩張圖來表示: 1:自定義程式碼片斷: 2:視覺化除錯工具: 問題來源: 某次,我發現自己的視覺化除錯的類庫有點舊,想更新一下,卻發現: 電腦上安裝了VS2005、VS2008、Vs2012幾個版
大資料視覺化之Nginx伺服器日誌分析及視覺化展示(Nginx+flume+HDFS+Spark+Highcharts)
專案說明: 本專案為一個web程式,能夠利用大資料技術,對nginx伺服器的訪問日誌進行圖形化展示。當訪問此程式時,可以看到nginx日誌中統計出來的全天分時網站點選量等資訊的圖表展示。每條Nginx日誌的平均大小為250位元組左右,假設每天產生1億條訪問日誌
python 進行caffe 資料視覺化的 “No to_python (by-value)” 問題解決
使用python 進行caffe 資料視覺化的時候可能會遇到下面的錯誤: No to_python (by-value) converter found for C++ type: boost::sh
python 繪圖及視覺化
除標準的圖表物件之外,你可能還希望繪製一些自定義的註釋(比如文字、箭頭或其他圖形等)。 註釋可以通過text、arrow和annotate等函式進行新增。text可以將文字繪製在圖表的指定座標(x, y),還可以加上一些自定義格式: In [41]: ax.text(
ElasticSearch 叢集搭建和視覺化外掛安裝
文章目錄 1.單機版的搭建 1) 進入bin目錄下,直接執行elasticsearch 命令 2) 訪問 http://localhost:9200/