开发者社区 问答 正文

caffe有那些最佳实践


阿里云HPC服务器在交付时已经提供了一份编译好的Caffe源码(2016/5/8克隆于master分支),位于/disk1/deeplearning/caffe/,用户无需做任何额外工作即可直接运行。
(1) 命令行方式

  1. [backcolor=transparent]$ cd [backcolor=transparent]/[backcolor=transparent]disk1[backcolor=transparent]/[backcolor=transparent]deeplearning[backcolor=transparent]/[backcolor=transparent]caffe[backcolor=transparent]/
  2. [backcolor=transparent]$ [backcolor=transparent]./[backcolor=transparent]examples[backcolor=transparent]/[backcolor=transparent]mnist[backcolor=transparent]/[backcolor=transparent]train_lenet[backcolor=transparent].[backcolor=transparent]sh

(2)python方式
  1. [backcolor=transparent]$ cd [backcolor=transparent]/[backcolor=transparent]disk1[backcolor=transparent]/[backcolor=transparent]deeplearning[backcolor=transparent]/[backcolor=transparent]caffe[backcolor=transparent]/[backcolor=transparent]python
  2. [backcolor=transparent]$ [backcolor=transparent]/[backcolor=transparent]disk1[backcolor=transparent]/[backcolor=transparent]deeplearning[backcolor=transparent]/[backcolor=transparent]anaconda2[backcolor=transparent]/[backcolor=transparent]bin[backcolor=transparent]/[backcolor=transparent]python classify[backcolor=transparent].[backcolor=transparent]py
  3. [backcolor=transparent]$ [backcolor=transparent]/[backcolor=transparent]disk1[backcolor=transparent]/[backcolor=transparent]deeplearning[backcolor=transparent]/[backcolor=transparent]anaconda2[backcolor=transparent]/[backcolor=transparent]bin[backcolor=transparent]/[backcolor=transparent]python detect[backcolor=transparent].[backcolor=transparent]py

所有Caffe依赖包安装位置为/disk1/deeplearning/local_install ,其下README.txt描述了依赖包的详细信息:
  1. [backcolor=transparent]This[backcolor=transparent] is [backcolor=transparent]Caffe[backcolor=transparent] [backcolor=transparent]Dependency[backcolor=transparent].
  2. [backcolor=transparent]Include[backcolor=transparent] the binaries of [backcolor=transparent]:
  3. [backcolor=transparent]boost_1_56_0[backcolor=transparent].[backcolor=transparent]tar[backcolor=transparent].[backcolor=transparent]bz2
  4. [backcolor=transparent]cudnn[backcolor=transparent]-[backcolor=transparent]7.0[backcolor=transparent]-[backcolor=transparent]linux[backcolor=transparent]-[backcolor=transparent]x64[backcolor=transparent]-[backcolor=transparent]v3[backcolor=transparent].[backcolor=transparent]0[backcolor=transparent]-[backcolor=transparent]rc[backcolor=transparent].[backcolor=transparent]tgz
  5. [backcolor=transparent]gflags[backcolor=transparent]-[backcolor=transparent]2.1[backcolor=transparent].[backcolor=transparent]1.zip
  6. [backcolor=transparent]glog[backcolor=transparent]-[backcolor=transparent]0.3[backcolor=transparent].[backcolor=transparent]3.tar[backcolor=transparent].[backcolor=transparent]gz
  7. [backcolor=transparent]hdf5[backcolor=transparent]-[backcolor=transparent]1.8[backcolor=transparent].[backcolor=transparent]9.tar[backcolor=transparent].[backcolor=transparent]gz
  8. [backcolor=transparent]leveldb[backcolor=transparent]-[backcolor=transparent]1.7[backcolor=transparent].[backcolor=transparent]0.tar[backcolor=transparent].[backcolor=transparent]gz
  9. [backcolor=transparent]opencv[backcolor=transparent]-[backcolor=transparent]3.0[backcolor=transparent].[backcolor=transparent]0.zip[backcolor=transparent]    [backcolor=transparent].
  10. [backcolor=transparent]protobuf[backcolor=transparent]-[backcolor=transparent]2.5[backcolor=transparent].[backcolor=transparent]0.tar[backcolor=transparent].[backcolor=transparent]gz
  11. [backcolor=transparent]snappy[backcolor=transparent]-[backcolor=transparent]1.1[backcolor=transparent].[backcolor=transparent]1.tar[backcolor=transparent].[backcolor=transparent]gz
  12. [backcolor=transparent]lmdb[backcolor=transparent].[backcolor=transparent]zip
  13. [backcolor=transparent]GCC version[backcolor=transparent]:[backcolor=transparent] gcc version [backcolor=transparent]4.8[backcolor=transparent].[backcolor=transparent]3[backcolor=transparent] [backcolor=transparent]20140911[backcolor=transparent] [backcolor=transparent]([backcolor=transparent]Red[backcolor=transparent] [backcolor=transparent]Hat[backcolor=transparent] [backcolor=transparent]4.8[backcolor=transparent].[backcolor=transparent]3[backcolor=transparent]-[backcolor=transparent]9[backcolor=transparent])[backcolor=transparent] [backcolor=transparent]([backcolor=transparent]GCC[backcolor=transparent])
  14. [backcolor=transparent]OS [backcolor=transparent]:[backcolor=transparent] [backcolor=transparent]CentOS[backcolor=transparent] [backcolor=transparent]Linux[backcolor=transparent] release [backcolor=transparent]7.1[backcolor=transparent].[backcolor=transparent]1503[backcolor=transparent] [backcolor=transparent]([backcolor=transparent]Core[backcolor=transparent])

展开
收起
boxti 2017-10-20 10:55:52 16936 分享
分享
版权
举报
阿里云 AI 助理回答

阿里云HPC(高性能计算)服务器为用户预配置了Caffe深度学习框架,以便用户能够快速开始模型训练和推理任务。根据您提供的信息,这里有几个关键点帮助您更好地利用这一环境:

  1. 命令行方式运行Caffe示例:

    • 通过命令行直接运行Caffe的MNIST手写数字识别示例。这个脚本train_lenet.sh位于/disk1/deeplearning/caffe/examples/mnist/目录下,它会训练一个名为LeNet的神经网络模型。
  2. Python方式运行Caffe任务:

    • 您可以通过Anaconda环境中的Python来执行分类或检测任务。两个Python脚本classify.pydetect.py分别用于图像分类和目标检测,它们位于/disk1/deeplearning/caffe/python/目录下。运行这些脚本前,请确保使用了正确的Python解释器路径,即Anaconda2中提供的Python二进制文件。
  3. 依赖包信息:

    • 所有Caffe所需的依赖库都已安装在/disk1/deeplearning/local_install/目录,并且该目录下的README.txt文件详细列出了所有依赖包及其版本,包括Boost、cuDNN、GFlags、GLog、HDF5、LevelDB、OpenCV、Protocol Buffers、Snappy、LMDB等。这确保了Caffe运行所需的软件环境已经就绪。
  4. 编译环境与操作系统信息:

    • 编译Caffe所用的GCC版本是4.8.3,操作系统是CentOS Linux release 7.1.1503 (Core)。了解这些信息对于那些可能需要重新编译或调整Caffe源码的高级用户来说非常重要。

综上所述,阿里云HPC服务器为您提供了开箱即用的Caffe环境,无论是通过命令行还是Python接口,您都可以直接启动深度学习任务而无需从头搭建环境。如果您计划进行更深入的开发或自定义模型,可以参考local_install/README.txt来了解当前系统配置的细节,或者基于现有的环境进行扩展。

有帮助
无帮助
AI 助理回答生成答案可能存在不准确,仅供参考
0 条回答
写回答
取消 提交回答
AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等