Es ist ein Open-Source-Framework für Deep Learning, das in letzter Zeit ein heißes Thema war. Es scheint, dass ein Doktorand der University of California in Berkeley damit begonnen hat, es ist erstaunlich! Die offizielle Homepage kann mit hier, C ++, Python und MATLAB verwendet werden, sodass Sie die auswählen können, in der Sie gut sind. Das Update ist sehr schnell, daher erscheint es interessant, den neuesten Informationen zu folgen. Sie können eine Demo der Bildklassifizierung von hier sehen. Wenn Sie also interessiert sind, versuchen Sie es bitte.
Als ich anfing, Deep Learning zu lernen, war es eine funktionale Sprache und ich benutze sie normalerweise, also werde ich Deep Learning mit Scala machen! Ich habe verschiedene Dinge mit einer süßen Idee ausprobiert, aber irgendwann wurde mir klar, dass die Anzahl der Bibliotheken und Frameworks für Bildverarbeitung und maschinelles Lernen im Vergleich zu Sprachen wie Python überwältigend gering war. Anstatt ein neuronales Netzwerk von Grund auf selbst zu entwerfen und aufzubauen, wollte ich es trotzdem verschieben. Deshalb habe ich mich vorerst für Caffe entschieden, das eine relativ große Menge offizieller Dokumente und Informationen auf Japanisch enthält (Gugu hat viele Beispielcodes usw.). Herauskommen). Darüber hinaus verwendet Caffe grundsätzlich eine GPU, aber da die Option CPU_ONLY richtig vorbereitet ist, bin ich auch für mich selbst, der keine leistungsstarke GPU mit MacBook Pro 13 Zoll hat, glücklich, damit umzugehen!
Es gibt jedoch Gerüchte, dass es schwierig ist, eine Umgebung für Caffe zu erstellen, und als ich nach einem einfachen Weg suchte, war ich dankbar, dass Caffe bereits auf Docker Hub Containers erstellt wurde. Ich fand? Q = caffe & s = Sterne) und dachte, ich hätte es getan, aber die meisten CPU-Modus-Container wurden vor Monaten zuletzt aktualisiert! Ich möchte trotzdem die neueste Version verwenden! Also habe ich beschlossen, es in meiner lokalen Umgebung zu bauen. Ich möchte es in Python verwenden, also werde ich mein Bestes geben, bis ich PyCaffe ausführen kann (caffe importieren in Python).
Es gibt einige, aber die meisten können sofort installiert werden, wenn Homebrew enthalten ist.
Der Mac wird von Anfang an mit Python geliefert, aber die Version scheint alt zu sein (beim Build geht es oft schief?). Also habe ich sie mit Homebrew in eine neue Version eingefügt. Diesmal ist es problematisch, also habe ich kein Pyenv verwendet (es ist definitiv besser, es zu verwenden). ).
brew install python
Als nächstes setzen Sie sie in Gebräu zusammen!
brew install --fresh -vd snappy leveldb gflags glog szip lmdb
brew tap homebrew/science
brew install hdf5 opencv
Ich möchte diesmal PyCaffe machen, also werde ich das sofort einfügen.
brew install --build-from-source --with-python --fresh -vd protobuf
brew install --build-from-source --fresh -vd boost boost-python
Klonen Sie anschließend den Caffe-Body aus dem Repository und erstellen Sie Makefile.config aus der vorbereiteten Vorlage.
git clone https://github.com/BVLC/caffe.git
cd caffe
cp Makefile.config.example Makefile.config
Schreiben Sie einen Teil von Makefile neu. Da sich der BLAS-Pfad je nach Mac-Version ändert, ändern Sie den Pfad des Teils "BLAS_INCLUDE" wie folgt: Da es zwei Stellen gibt, schreiben Sie beide vorerst neu.
BLAS_INCLUDE ?= /Applications/Xcode.app/Contents/Developer/Platforms/MacOSX.platform/Developer/SDKs/MacOSX10.10.sdk/System/Library/Frameworks/Accelerate.framework/Versions/A/Frameworks/vecLib.framework/Versions/A/Headers/
Schreiben Sie Makefile.config an mehreren Stellen neu.
Kommentieren Sie zuerst die CPU_ONLY oben aus, damit der CPU-Modus Caffe erstellt werden kann.
Ändern Sie als Nächstes den Pfad für "PYTHON_INCLUDE" und "PYTHON_LIB" wie folgt in Python.
Makefile.config
CPU_ONLY := 1
PYTHON_INCLUDE := /usr/include/python2.7 \
/usr/local/lib/python2.7/site-packages/numpy/core/include/
PYTHON_LIB := /usr/local/Cellar/python/{python version}/Frameworks/Python.framework/Versions/2.7/lib/
Jetzt, da Sie bereit sind, Caffe zu bauen, lassen Sie uns Caffe bauen und den Test ausführen. -j ist die Anzahl der Parallelen beim Bauen. Je mehr es ist, desto schneller wird es beendet.
make clean
make all -j4
make test -j4
make runtest
Wenn der Runtest gut läuft, ist der Caffe-Build vorerst erfolgreich. Dann machen wir das mit PyCaffe. (Es scheint, dass make test je nach Version von Xcode fehlschlägt, aber wenn make all erfolgreich ist, können Sie mit dem nächsten Schritt fortfahren, indem Sie den Test nicht durchführen.)
Gehen Sie zum Python-Ordner (caffe / python) in Caffe und leiten Sie die erforderlichen Bibliotheken für PyCaffe sofort weiter.
cd python
for li in $(cat requirements.txt); do sudo pip install $li; done
Als nächstes bauen Sie PyCaffe.
cd ../
make pycaffe
make distribute
Schreiben Sie den folgenden PYTHONPATH in .bashrc oder .zshrc.
export PYTHONPATH=/path/to/caffe/python:$PYTHONPATH
Dies ist das Ende des Installationsvorgangs. Versuchen Sie nach dem Lesen mit "source ~ / .bashrc" usw. "import caffe" mit dem Python-Interpreter. Wenn kein Fehler vorliegt, ist dies erfolgreich! Dank Homebrew war Caffe einfacher zu installieren als ich erwartet hatte. Vielen Dank. Ich fange gerade erst an, mit Caffe zu spielen, aber sobald ich verstanden habe, wie man es benutzt, möchte ich auch einen Artikel darüber schreiben. Danke.
Bitte lassen Sie mich wissen, wenn Sie Probleme oder Verbesserungen haben.
Recommended Posts