2. 程式人生 > >caffe安裝，編譯（包括CUDA和cuDNN的安裝），並訓練，測試自己的資料（caffe使用教程）

caffe安裝，編譯（包括CUDA和cuDNN的安裝），並訓練，測試自己的資料（caffe使用教程）

阿新 • • 發佈：2019-02-11

caffe是一個非常清晰且高效的深度學習框架，目前有著不少的使用者，也漸漸的形成了自己的社群，社群上可以討論相關的問題。

我從開始看深度學習的相關內容到能夠用caffe訓練測試自己的資料，看了不少網站，教程和部落格，也走了不少彎路，在此把整個流程梳理和總結一遍，以期望可以可以僅僅通過這一篇文章就可以輕鬆的用caffe訓練自己的資料，體驗深度學習的樂趣。（本文中包含了很多的連結，連結中有我看過的詳細的教程和講解，以方便大家理解）

1.安裝和配置caffe（包括安裝CUDA） 

caffe的安裝和編譯，官網上已經寫的非常的詳細了。官網上的安裝連結 ： 連結        只要按照官網的說明一步步的進行，一般都是不會出什麼問題的。並且，官網給出來ubuntu，Mac，和Windows環境下安裝和配置的連結。條件允許的話，還是儘量在Ubuntu下安裝和配置吧，對於不熟悉Ubuntu的人來說可能比較麻煩，但是我感覺，在linux下安裝，編譯，包括後面的使用都是比較方便的。

這裡需要提前說明的一點是，在官方給的安裝文件裡，下面幾個是可以選擇安裝的

  • OpenCV >= 2.4 including 3.0
  • IO libraries: lmdb, leveldb (note: leveldb requires snappy)
  • cuDNN for GPU acceleration (v5)

其中，cuDnn是專門針對CUDA的加速套件，可以為在GPU上跑深度學習的程式進行加速，所以這個還是安裝一下吧，為以後跑程式能省些時間。

2. cuDNN的安裝

這裡單獨強調一下cuDNN的安裝（網上給的很多教程有問題，會導致後面的編譯失敗），cuDNN的安裝需要在CUDA安裝完成後進行。

cuDnn需要從Nvidia的官網上下載，並且需要先註冊才行，註冊的時候會讓你填寫一些調查問卷，註冊完成後，選擇正確的版本進行下載。我這裡下載的是：Download cuDNN v5 (May 27, 2016), for CUDA 8.0    cuDNN v5 Library for Linux版本，然後解壓縮，並且放到相應的資料夾下，最後修改一下許可權

<span style="background-color: rgb(240, 240, 240);">tar xvzf cudnn-8.0-linux-x64-v4.tgz #這裡要注意你下載的版本，需要解壓你下載的對應版本的檔案</span>解壓後的資料夾名字是cuda
sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
網上的不少教程一般給到上面這些就沒有了，我安裝的時候，僅僅進行上面的步驟，在make  test的時候會報錯的。錯誤資訊大致如下：

CXX/LD -o .build_release/tools/upgrade_net_proto_text.bin .build_release/lib/libcaffe.so: undefined reference to caffe::curandGetErrorString(curandStatus)
.build_release/lib/libcaffe.so: undefined reference to caffe::BaseConvolutionLayer::weight_gpu_gemm(double const*, double const*, double*)
.build_release/lib/libcaffe.so: undefined reference to caffe::BaseConvolutionLayer::forward_gpu_bias(double*, double const*)

找了好多資料，最後在stackoverflaw上找到了解決辦法，我這裡把連結貼出來：連結

其實方法就是，在/usr/local/cuda/lib64 目錄下，執行如下操作（網上的大神說，複製過程破壞了軟連線，所以要自己手動建立一下軟連線）

sudo rm libcudnn.so.5 libcudnn.so
sudo ln -sf libcudnn.so.5 libcudnn.so
sudo ln -sf libcudnn.so.5.1.3 libcudnn.so.5
sudo ldconfig /usr/local/cuda/lib64

此時，再重新編譯，執行 make all      然後，make test  ，在然後make runtest   就可以了。

3.在MNIST上用caffe訓練LeNet網路

MNIST是一個手寫數字的資料集，LeNet 是一個比較簡單的深度學習網路模型。

這個過程，官方是給了教程的，附上鍊接：連結

但是當時我按著步驟一步步的執行，最後也能夠完全執行成功，但是程式是怎麼執行成功的，怎麼跑通的，原理是什麼，我還是搞不懂。

為了弄清楚程式具體的執行過程，我嘗試利用自己找的一些資料進行訓練和測試，以便加深對caffe和深度學習的理解。

4.訓練和測試自己的資料

這裡要感謝這篇部落格的給我的巨大幫助：點選開啟連結。雖然部落格寫的很好，但是還是有一些不詳細的地方。我在這篇部落格的基礎上進行完成和補充，儘量把整個過程描述的更加詳細。

1）準備資料

要想訓練自己的網路，首先要有圖片資料，前期在學習階段，為了節省時間，先從小的資料集開始訓練和學習比較合適，部落格的博主給了一個小資料集的連結，共500張圖片，分為大巴，恐龍，大象，鮮花和馬 五個類別，每個類別100張，資料集的下載連結為：http://pan.baidu.com/s/1nuqlTnN

編號為3,4,5,6,7開頭的，分別為一類，每一類的100張圖片，用80個作為訓練，20個作為測試，圖片放在caffe目錄下的data目錄下，即訓練圖片的目錄為data/re/train,測試圖片的目錄為data/re/test

2)圖片轉換為lmdb格式

caffe中，不能直接拿jpg，png之類的圖片檔案進行訓練，需要將圖片格式轉換為lmdb格式才可以使用。而且caffe提供了轉換格式所需要的工具，我們只需要寫幾行程式碼就能轉換完成。

在examples資料夾下新建一個myffle資料夾，這個檔案用來存放配置檔案，指令碼檔案和lmdb檔案，然後編寫一個指令碼檔案，create_filelist.sh用來生成train.txt和test.txt兩個文字檔案，這連個文字檔案包含圖片的列表清單。然後編輯這個指令碼檔案如下：

#!/usr/bin/env sh
DATA=data/re/
MY=examples/myfile

echo "Create train.txt..."
rm -rf $MY/train.txt
for i in 3 4 5 6 7 
do
find $DATA/train -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/train.txt
done
echo "Create test.txt..."
rm -rf $MY/test.txt
for i in 3 4 5 6 7
do
find $DATA/test -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/test.txt
done
echo "All done"

然後執行這個指令碼檔案
sudo sh examples/myfile/create_filelist.sh
然後就可以得到train.txt和test.txt檔案了，開啟看看基本上就知道這個檔案是幹啥的了吧。（就是為每個圖片做類別標記）

（其實，上述步驟的指令碼檔案如果看不懂或者覺得不方便，用c寫個檔案生成train.txt和test.txt也可以。我自己對指令碼檔案不太熟悉，所以這些操作我有時候會用c寫。）

接著在編寫一個指令碼檔案，呼叫convert_imageset命令來轉換資料格式。（就是把圖片格式的檔案轉換成了lmdb格式）

sudo vi examples/myfile/create_lmdb.sh

在其中插入 
#!/usr/bin/env sh
MY=examples/myfile

echo "Create train lmdb.."
rm -rf $MY/img_train_lmdb
build/tools/convert_imageset \
--shuffle \
--resize_height=256 \
--resize_width=256 \
/home/xxx/caffe/data/re/ \
$MY/train.txt \
$MY/img_train_lmdb

echo "Create test lmdb.."
rm -rf $MY/img_test_lmdb
build/tools/convert_imageset \
--shuffle \
--resize_width=256 \
--resize_height=256 \
/home/xxx/caffe/data/re/ \
$MY/test.txt \
$MY/img_test_lmdb

echo "All Done.."

圖片的大小不一致，所以統一轉換成了256×256 的大小，執行成功後，會在examples/myfile下生成兩個檔案，img_train_lmdb和img_val_lmdb，這個兩個檔案就是圖片資料集轉換後的檔案。

3）計算均值並儲存

圖片減去均值再訓練，可以提高訓練速度和精度。因此，一般都會有這個操作。（比如非常有名的描述AlexNet的論文中，也有這一步預操作）

同樣的，減去均值的操作caffe也寫好了，直接呼叫就行了，即compute_image_mean.cpp檔案

sudo build/tools/compute_image_mean examples/myfile/img_train_lmdb examples/myfile/mean.binaryproto

compute_image_mean帶兩個引數，第一個引數是lmdb訓練資料位置，第二個引數設定均值檔案的名字及儲存路徑。
執行成功後，會在 examples/myfile/ 下面生成一個mean.binaryproto的均值檔案。

4）建立神經網路模型並編寫配置檔案

這裡，就使用caffe自帶的caffenet模型進行訓練，把該模型和相應的配置檔案都拷貝過來，操作如下：

sudo cp models/bvlc_reference_caffenet/solver.prototxt examples/myfile/
sudo cp models/bvlc_reference_caffenet/train_val.prototxt examples/myfile/

solver.prototxt是整個網路的配置檔案，將其修改如下： 
net: "examples/myfile/train_val.prototxt"
test_iter: 2
test_interval: 50
base_lr: 0.001
lr_policy: "step"
gamma: 0.1
stepsize: 100
display: 20
max_iter: 500
momentum: 0.9
weight_decay: 0.005
# snapshot intermediate results
snapshot: 500
snapshot_prefix: "examples/myfile/results/my"
solver_mode: GPU
關於配置檔案引數不理解的地方，可以看連結：連結

然後，修改 train_val.protxt，修改成如下形式

name: "CaffeNet"
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    mirror: true
    crop_size: 227
    mean_file: "examples/myfile/mean.binaryproto"
  }
# mean pixel / channel-wise mean instead of mean image
#  transform_param {
#    crop_size: 227
#    mean_value: 104
#    mean_value: 117
#    mean_value: 123
#    mirror: true
#  }
  data_param {
    source: "examples/myfile/img_train_lmdb"
    batch_size: 50
    backend: LMDB
  }
}
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    mirror: false
    crop_size: 227
    mean_file: "examples/myfile/mean.binaryproto"
  }
# mean pixel / channel-wise mean instead of mean image
#  transform_param {
#    crop_size: 227
#    mean_value: 104
#    mean_value: 117
#    mean_value: 123
#    mirror: false
#  }
  data_param {
    source: "examples/myfile/img_test_lmdb"
    batch_size: 50
    backend: LMDB
  }
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 96
    kernel_size: 11
    stride: 4
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "conv1"
  top: "conv1"
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "norm1"
  type: "LRN"
  bottom: "pool1"
  top: "norm1"
  lrn_param {
    local_size: 5
    alpha: 0.0001
    beta: 0.75
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "norm1"
  top: "conv2"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    pad: 2
    kernel_size: 5
    group: 2
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu2"
  type: "ReLU"
  bottom: "conv2"
  top: "conv2"
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "norm2"
  type: "LRN"
  bottom: "pool2"
  top: "norm2"
  lrn_param {
    local_size: 5
    alpha: 0.0001
    beta: 0.75
  }
}
layer {
  name: "conv3"
  type: "Convolution"
  bottom: "norm2"
  top: "conv3"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 384
    pad: 1
    kernel_size: 3
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu3"
  type: "ReLU"
  bottom: "conv3"
  top: "conv3"
}
layer {
  name: "conv4"
  type: "Convolution"
  bottom: "conv3"
  top: "conv4"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 384
    pad: 1
    kernel_size: 3
    group: 2
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu4"
  type: "ReLU"
  bottom: "conv4"
  top: "conv4"
}
layer {
  name: "conv5"
  type: "Convolution"
  bottom: "conv4"
  top: "conv5"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    pad: 1
    kernel_size: 3
    group: 2
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu5"
  type: "ReLU"
  bottom: "conv5"
  top: "conv5"
}
layer {
  name: "pool5"
  type: "Pooling"
  bottom: "conv5"
  top: "pool5"
  pooling_param {
    pool: MAX
    kernel_size: 3
    stride: 2
  }
}
layer {
  name: "fc6"
  type: "InnerProduct"
  bottom: "pool5"
  top: "fc6"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 4096
    weight_filler {
      type: "gaussian"
      std: 0.005
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu6"
  type: "ReLU"
  bottom: "fc6"
  top: "fc6"
}
layer {
  name: "drop6"
  type: "Dropout"
  bottom: "fc6"
  top: "fc6"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc7"
  type: "InnerProduct"
  bottom: "fc6"
  top: "fc7"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 4096
    weight_filler {
      type: "gaussian"
      std: 0.005
    }
    bias_filler {
      type: "constant"
      value: 1
    }
  }
}
layer {
  name: "relu7"
  type: "ReLU"
  bottom: "fc7"
  top: "fc7"
}
layer {
  name: "drop7"
  type: "Dropout"
  bottom: "fc7"
  top: "fc7"
  dropout_param {
    dropout_ratio: 0.5
  }
}
layer {
  name: "fc8"
  type: "InnerProduct"
  bottom: "fc7"
  top: "fc8"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 1000
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "fc8"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST
  }
}
layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "fc8"
  bottom: "label"
  top: "loss"
}

這個檔案其實就是定義了整個網路的模型，每一個layer就是一層，你在每一層中定義好這是卷積層還是池化層，神經元有多少等等，具體的引數的含義可以看連結：點選開啟連結

5）訓練和測試

只需要直接輸入下面的命令就可以完成了。（這裡需要注意的是，訓練和測試整個的流程是一起執行的，因為上面的train_val.prototxt檔案把train和test的引數都設定好了，所以程式訓練完了以後就會直接進入測試資料的階段，其實也可以寫成兩個檔案分開執行。在solver.prototxt中，有一行為

snapshot_prefix: "examples/myfile/results/my"

這就表示，你訓練好的權值都在results資料夾下面儲存著，以後如果想要使用訓練好的模型，直接呼叫rusult下的檔案進行測試就可以。）

最後的輸出結果中，

Test net output #0:accuracy：0.95

這一行，就表示在測試資料上，用自己訓練的網路進行分類的正確率達到了95%。

相關推薦

caffe安裝，編譯（包括CUDA和cuDNN的安裝），並訓練，測試自己的資料（caffe使用教程）

caffe是一個非常清晰且高效的深度學習框架，目前有著不少的使用者，也漸漸的形成了自己的社群，社群上可以討論相關的問題。 我從開始看深度學習的相關內容到能夠用caffe訓練測試自己的資料，看了不少網站，教程和部落格，也走了不少彎路，在此把整個流程梳理和總結一遍，以期望可以可

PyTorch下 CUDA 和 CuDNN 安裝驗證程式

裝完gpu版的 pytorch，和給cuda裝上cudnn後，不知道裝對了沒有，找了個驗證程式驗證一下 import torch # 若正常則靜默 a = torch.tensor(1.) # 若正常則靜默 a.cuda() # 若正常則返回 tensor(1., de

ubuntu下tensorflow-gpu環境搭建（通過anaconda，不需要手動安裝cuda和cudnn）

本篇文章主要講解在Ubuntu16.04環境下，搭建TensorFlow框架，主要是GPU版本的。下面我採用conda安裝tensorflow-gpu。 第一步：安裝navidia driver 第二步：安裝anaconda 參考我的另一篇

ubuntu下tensorflow-gpu環境搭建（通過anaconda，需預先手動安裝(或環境含有)cuda和cudnn）

第一步 創造一份conda環境 conda create -n tensorflow python=3.6 第二步 啟用tensorflow環境 source activa

ubuntu下100%成功安裝torch,同時配置cuda和cudnn（不成功，則成仁）

總說這些更新不影響主體。所有更新附加在文章最後。 第一次更新： 內容：新增一些Torch7常用庫的安裝，時間：2017.3.20 第二次更新：內容：某些torch庫無法線上安裝，轉成離線安裝的方法，時間：2017.3.31 第三次更新：內容：針對安裝”cutorch”時出錯的問

環境配置6-Win10下安裝CUDA和cuDNN，配置caffe

到官網下載相應的安裝包，cuDNN為lib庫，需要先註冊NVIDIA賬號（或者連結複製到迅雷下載）。https://developer.nvidia.com/rdp/cudnn-archivehttps://developer.nvidia.com/cuda-80-ga2-d

ubuntu安裝配置caffe-ssd gpu版本，配置cuda和cudnn

寫在前面：電腦聯想Y410,顯示卡755,ubuntu16.04，本文是caffe-ssd，沒有安裝anaconda，使用的python是系統自帶的2.7版本，以前安裝anaconda後兩種python版本管理不好會出錯。1、將gcc版本降低cuda8.0對應的gcc版本是5

請實現一個函式用來判斷字串是否表示數值（包括整數和小數）。例如，字串"+100","5e2","-123","3.1416"和"-1E-16"都表示數值。

題目描述 請實現一個函式用來判斷字串是否表示數值（包括整數和小數）。例如，字串"+100","5e2","-123","3.1416"和"-1E-16"都表示數值。 但是"12e","1a3.14","1.2.3","+-5"和"12e+4.3"都不是。 /* 思路：需要滿足一下規則（正則表

配置深度學習GPU加速（Cuda以及Cudnn安裝，win10作業系統下）

https://blog.csdn.net/hejunqing14/article/details/76059603 https://blog.csdn.net/Captain_F_/article/details/79171332 https://blog.csdn.net/xuyanan

請實現一個函式用來判斷字串是否表示數值（包括整數和小數）。例如，字串"+100","5e2","-123","3.1416"和"-1E-16"都表示數值。 但是"12e",&quo

package com.java.jie; public class test2 { public static void main(String [] args) { } public boolean isNumeric(char[] str) {

caffe安裝系列——安裝cuda和cudnn

長期招聘計算機視覺/深度學習等方向的工程師或實習生。感興趣的話，請傳送郵件，可以內推。 說明 網上關於caffe的安裝教程非常多，但是關於每一步是否操作成功，出現了什麼樣的錯誤又該如

堆排序 （包括升序和降序，Arraylist 實現）

補充上一篇 利用Arraylist實現的堆排序(包含升序和降序) import java.util.ArrayList; import java.util.Random; //採用Arraylist實現堆排序 public class Main {

十二、事件，委托，泛型委托，集合（泛型和非泛型），Lambda表達式（聲明委托，使用委托，簡單的委托示例，action<T>和func<t>委托，多播委托，匿名方法，Lambda表達式，參數，事件）

multicast new 調用方法 多播 ted 被調用 輸入參數 pac cas 事件(Event) 事件是一種對象或類能夠提供通知的成員，客戶端可以通過提供事件處理程序為相應的事件可添加可執行代碼，事件可以理解為一種特殊的委托。 委托(Delegate) 委托是存有對

Caffe使用新版本CUDA和CuDNN

版本 time ted TP CA sigmoid 文件替換 caffe 腳本 因為一些原因還是需要使用別人基於Caffe的代碼，但是代碼比較老，默認不支持高版本的cuda或者cudnn 怎麽辦呢？基本上就是把最新官方Caffe-BVLC的幾個關鍵文件拿過來替換即可。 腳本

安裝CUDA和cuDNN

can power extras mdev play 優化 tde ora 邏輯 GPU和CPU區別 1，CPU主要用於處理通用邏輯，以及各種中斷事物 2，GPU主要用於計算密集型程序，可並行運作； NVIDIA 的 GeForce 顯示卡系列采用 GPU 特性進行

【Java】itext根據模板生成pdf（包括圖片和表格）

金額 res report als fields positions 創建模板 bst open() 1、導入需要的jar包：itext-asian-5.2.0.jar itextpdf-5.5.11.jar。 2、新建word文檔，創建模板，將文件另存為pdf，並用Ado

ionic3 實現app版本更新下載並開啟進行安裝（包括android7+無法自動安裝apk問題的解決方法）

記錄一下實現app版本一鍵更新下載的功能。 我的專案的總體的檔案： 使用的外掛列表如下： 需要純實現該功能用到的基本上是除了後三個。 首先，安裝這些外掛，在app.component.ts頁面上加入 import { Component, ViewChild } f

MongoDB匯入資料資料夾（包括bson和json檔案）報錯

MongoDB匯入資料報錯 很多部落格都說在linux下 使用 mongorestore -d db_name 資料夾目錄 就可以匯入資料夾中的內容 記錄一個傻瓜錯誤： mongorestore是一個獨立可執行程式 這個命令不能放在mongo shell裡執行 應該

Ubuntu 16.04安裝N卡驅動、cuda、cudnn和tensorflow GPU版

安裝驅動 最開始在英偉達官網下載了官方驅動，安裝之後無法登入系統，在登入介面反覆迴圈，用cuda裡的驅動也出現了同樣的問題。最後解決辦法是把驅動解除安裝之後，通過命令列線上安裝驅動。 解除安裝驅動： sudo nvidia-uninstall 線上安裝： sudo apt-add-repository

比較全面的Eclipse配置詳解（包括智慧提示設定、智慧提示外掛修改，修改空格自動上屏、JDK配置、各種快捷鍵列表……） - decarl - 部落格園

Eclipse編輯器基本設定 1、新增行號 在邊緣處右鍵 2、改字型 字型的一般配置 3、去掉拼寫錯誤檢查 4、Java程式碼風格 程式碼格式化 Ctrl + Shift + F 之後點選右邊的New按鈕，新建一個風格。