ubuntu搭建caffe視覺化框架digits
有顯示卡可以安裝caffe的GPU版本,若沒有也可安裝cpu版本,CPU訓練速度慢 沒有GPU 直接跳過cuda和cudnn的安裝。
剛裝好的ubuntu系統,直接開始
安裝依賴項,終端輸入:
sudo apt-get install build-essential
sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev
sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev
sudo apt-get install --no-install-recommends libboost-all-dev sudo apt-get install libatlas-base-dev libgflags-dev libgoogle-glog-dev liblmdb-dev sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler sudo apt-get install libblas-dev liblapack-dev libatlas-base-dev gfortran python-numpy
如果中間出現有些包裝不上就按照提示先執行一次:
sudo apt-get update
再執行上述命令即可。
安裝cuda
將cuda包cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64.deb複製到home下,執行:
sudo dpkg -i cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64.deb
sudo apt-get update
sudo apt-get install cuda
等待安裝完成,重啟電腦。檢驗安裝資訊,終端輸入:
nvidia-smi
彈出相關GPU資訊,安裝成功。
安裝cdunn5.1
終端輸入:cd 到home目錄下;
將cudnn-8.0-linux-x64-v5.1-tgz複製到home。執行如下程式碼解壓:
tar zxvf cudnn-8.0-linux-x64-v5.1-tgz
解壓在下載目錄下產生一個cuda目錄
cd cuda/include/
sudo cp cudnn.h /usr/local/cuda/include/ 複製標頭檔案
cd ../lib64 開啟lib64目錄
sudo cp lib* /usr/local/cuda/lib64/ 複製庫檔案
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
建立cudnn的連線
終端輸入
cd /usr/local/cuda/lib64/
sudo rm -rf libcudnn.so libcudnn.so.5
sudo ln -s libcudnn.so.5.1.10 libcudnn.so.5
sudo ln -s libcudnn.so.5 libcudnn.so
設定環境變數,終端輸入
sudo gedit /etc/profile
在末尾加入
PATH=/usr/local/cuda/bin:$PATH
export PATH
儲存後,建立連結檔案
sudo vim /etc/ld.so.conf.d/cuda.conf 沒有vim可以sudo apt-get install vim
按a進入插入模式,增加下面一行
/usr/local/cuda/lib64
按esc退出插入模式,按:wq儲存退出
最後在終端輸入
sudo ldconfig
使連結生效
執行以下命令以訪問某些軟體包儲存庫:
# For Ubuntu 16.04
CUDA_REPO_PKG=http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_8.0.61-1_amd64.deb
ML_REPO_PKG=http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1604/x86_64/nvidia-machine-learning-repo-ubuntu1604_1.0.0-1_amd64.deb
# Install repo packages
wget "$CUDA_REPO_PKG" -O /tmp/cuda-repo.deb && sudo dpkg -i /tmp/cuda-repo.deb && rm -f /tmp/cuda-repo.deb
wget "$ML_REPO_PKG" -O /tmp/ml-repo.deb && sudo dpkg -i /tmp/ml-repo.deb && rm -f /tmp/ml-repo.deb
# Download new list of packages
sudo apt-get update
依賴
使用Deb軟體包安裝一些依賴項:
sudo apt-get install --no-install-recommends git graphviz python-dev python-flask python-flaskext.wtf python-gevent python-h5py python-numpy python-pil python-pip python-scipy python-tk
下載原始碼
# example location - can be customized
DIGITS_ROOT=~/digits
git clone https://github.com/NVIDIA/DIGITS.git $DIGITS_ROOT
Python包
需要安裝幾個PyPI包:
sudo pip install -r $DIGITS_ROOT/requirements.txt
建築咖啡
DIGITS需要構建Caffe。我們正式只支援NVIDIA / caffe(NVcaffe)最近釋出的版本
使用Deb軟體包安裝一些依賴項:
sudo apt-get install --no-install-recommends build-essential cmake git gfortran libatlas-base-dev libboost-filesystem-dev libboost-python-dev libboost-system-dev libboost-thread-dev libgflags-dev libgoogle-glog-dev libhdf5-serial-dev libleveldb-dev liblmdb-dev libopencv-dev libsnappy-dev python-all-dev python-dev python-h5py python-matplotlib python-numpy python-opencv python-pil python-pip python-pydot python-scipy python-skimage python-sklearn
下載原始碼
DIGITS目前相容 Caffe 0.15
# example location - can be customized
export CAFFE_ROOT=~/caffe
git clone https://github.com/NVIDIA/caffe.git $CAFFE_ROOT -b 'caffe-0.15'
Python包
需要安裝幾個PyPI包:
sudo pip install -r $CAFFE_ROOT/python/requirements.txt
建立
我們推薦使用CMake來配置Caffe,而不是原始的Makefile版本來進行自動依賴檢測:
cd $CAFFE_ROOT
mkdir build
cd build
cmake ..
make -j"$(nproc)"
make install
啟動伺服器
cd digits
./digits-devserver
出現錯誤:digits caffe path erro
解決方法: 設定caffe的環境變數
echo "export CAFFE_ROOT=/home/neu/caffe/" >> ~/.bashrc (這裡的/home/neu是我電腦的絕對路徑,根據自己caffe安裝目錄自行更改)
source ~/.bashrc
相關推薦
ubuntu搭建caffe視覺化框架digits
有顯示卡可以安裝caffe的GPU版本,若沒有也可安裝cpu版本,CPU訓練速度慢 沒有GPU 直接跳過cuda和cudnn的安裝。剛裝好的ubuntu系統,直接開始安裝依賴項,終端輸入:sudo apt-get install build-essentialsudo apt
在Ubuntu上搭建gitweb(視覺化)伺服器
Git是一款免費、開源的分散式版本控制系統,用於敏捷高效地處理任何或小或大的專案。 1.下載gitlab包,這個包的下載速度會很慢,所以使用(wget -c)。-c, –continue 接著下載沒下載完的檔案 wget -c https://downl
【深度學習框架Caffe學習與應用】第四課 Caffe視覺化工具
1.首先準備pycaffe環境 輸入一下命令: 2.網路視覺化的工具 2.1在caffe中,有一個專門用於畫網路結構圖的py檔案:caffe/tools/draw_net.py 2
Caffe視覺化(二):權重及輸出視覺化(用Deep Visualization Toolbox實現)
Caffe視覺化(二):權重及輸出視覺化(用Deep Visualization Toolbox實現) 本文記錄了博主在研究Caffe權重及輸出視覺化過程中發現的工具包,包括工具包的安裝、使用和調整(以適應自定義網路)的相關內容。更新於2018.10.26。 文章目錄
Caffe視覺化(一):網路結構視覺化(用Caffe自帶程式實現)
Caffe視覺化(一):網路結構視覺化(用Caffe自帶程式實現) 本文記錄瞭如何利用Caffe自帶的程式實現網路的視覺化,包括可能遇到的問題和解決方案。更新於2018.10.25。 文章目錄 Caffe視覺化(一):網路結構視覺化(用Caffe自帶程式實現
Docker----搭建Portainer視覺化介面
一、什麼是Portainer? Portainer是Docker的圖形化管理工具,提供狀態顯示面板、應用模板快速部署、容器映象網路資料卷的基本操作(包括上傳下載映象,建立容器等操作)、事件日誌顯示、容器控制檯操作、Swarm叢集和服務等集中管理和操作、登入使用者管理和控制等功能。功能十分全面,基
「開源」TensorSpace.js -- 神經網路3D視覺化框架,在瀏覽器端構建可互動模型
TensorSpace是一套用於構建神經網路3D視覺化應用的框架。 開發者可以使用類 Keras 風格的 TensorSpace API,輕鬆建立視覺化網路、載入神經網路模型並在瀏覽器中基於已載入的模型進行3D可互動呈現。 TensorSpace 可以使您更直觀地觀察神經網路模型,並瞭解該模型是如何通過
三步搭建Python視覺化開發環境
我也隨波逐流來學習Python,畢竟我那麼喜歡爬蟲技術,工欲善其事必先利其器,所以先給搭建個舞臺。 一、 下載PyCharm 官網:https://www.jetbrains.com/pycharm/download/#section=windows
Jupyter 常見視覺化框架選擇
對於以Python作為技術棧的資料科學工作者,Jupyter是不得不提的資料報告工具。可能對於R社群而言,鼎鼎大名的ggplot2是常見的視覺化框架,而大家對於Python,以及Jupyter為核心的互動式報告的可個視化方案就並沒有那麼熟悉。本文試圖比較幾個常用的解決方案,方便
Ebay開源基於大資料的視覺化框架:Pulsar Reporting
作者:汪明明,王巧玲 ebay又新添了一個開源專案PulsarReporting – 基於大資料的視覺化框架 Pulsar作為一個實時和近實時大資料分析處理系統,包含了Pulsar Pipeline和Pulsar Reporting. 在今年三月, eBay Puls
幾種資料視覺化框架分析
根據下面各個框架本身的特性,以及各自的優缺點,推薦使用D3或者ECharts作為資料視覺化的首選框架,某些小特性可以輔用其他小框架實現。具體每個框架的說明和分析如下: D3.js D3是指資料驅動文件(Data-Driven Documents)。D3.js是一個Jav
caffe視覺化工具
之前談到過一些視覺化工具,這次總結下caffe的視覺化工具: 1.自帶的draw_net python /caffe/python/draw_net.py train.prototxt net.png 2.GitHub上ethereon開發的一個神經網路視覺化的好工具Netscop
地圖視覺化框架新進展(1)
1. Uber視覺化框架 Uber目前有一整套地圖視覺化框架,有: deck.gl :高效能WebGL地理圖層和資訊視覺化用例 react-map-gl:用於Mapbox GL的React元件(與deckgl無縫整合) react-vis:一套基於Rea
caffe視覺化(權重、特徵圖和loss曲線)
由於要用到matlab介面來讀取網路,故在開始介紹caffe視覺化前,先看一下D:\caffe\caffe-master\matlab\+caffe\Net.m檔案裡定義的載入網路等函式,Net.m檔案大家可以自行閱讀,以下就摘抄幾個我們要用到的函式: (1)Net(varargin)函式
caffe 視覺化網路及resnet50結構
sudo python /home/lu/caffe/python/draw_net.py /home/lu/caffe/examples/mnist/lenet_train_test.prototxt /home/lu/caffe/lenet.png --rankdir=B
caffe學習筆記14-caffe視覺化特徵與權重
test_visual.m : clear; clc; close all; addpath('matlab'); caffe.set_mode_cpu(); model = '/home/nielsen/caffe-new/examples/nielsen_google
從零開始搭建Android元件化框架
問題 在已經開發過幾個專案的童鞋,如果這時需要重新開發一個新專案,是否需要自己重新搭建框架呢,還是從老專案中拷貝貼上? 我們是否可以封裝一個底層的lib庫,這個底層的公共基礎庫 包括了一些第三方庫(如: okhttp, retrofit2, glide 等)的初始化及簡單的封裝和一些
Caffe原始碼解讀(九):Caffe視覺化工具
從網路結構視覺化、caffemodel的視覺化、特徵圖視覺化、視覺化loss和accurary曲線等四個方面講視覺化 網路結構視覺化 有兩種辦法:draw_net.py工具和線上視覺化工具,推薦後者,靈活簡便。 1、使用draw_net.py工具
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/
Docker(七)----搭建Portainer視覺化介面
一、什麼是Portainer?Portainer是Docker的圖形化管理工具,提供狀態顯示面板、應用模板快速部署、容器映象網路資料卷的基本操作(包括上傳下載映象,建立容器等操作)、事件日誌顯示、容器控制檯操作、Swarm叢集和服務等集中管理和操作、登入使用者管理和控制等功能