caffe源碼
A. 新手試運行了一個 caffe 的 python 代碼，出現這個錯誤是怎麼回事
一、問題
在成功編譯caffe的源碼之後，可以在Python環境中使用caffe。
在Ubuntu環境下，打開python解釋程序，輸入import caffe時：出現以下錯誤
>>>import caffe
Traceback (most recent call last):
File "<stdin>", line 1, in <mole>
ImportError: No mole named caffe
二、解決思路
基本思路是把caffe中的python導入到解釋器中
三、解決方法
第一種方法：設置環境變數
在終中輸入：
export PYTHONPATH=~/caffe/python #caffe的路徑下面的python
則該終端起作用，關掉終端後或重新打開一終端，則失效。
放到配置文件中，可以永久有效果，命令操作如下：
A.把環境變數路徑放到 ~/.bashrc文件中
sudo echo export PYTHONPATH="~/caffe/python" >> ~/.bashrc
B.使環境變數生效
source ~/.bashrc
第二種方法：通過代碼來實現
在每個python代碼中使用以下代碼： (這個方法在寫python代碼時有用)
caffe_root = '~/caffe/python '
import sys
sys.path.insert(0, caffe_root + 'python')
import caffe
B. 如何用eclipse看caffe代碼
你想調用你的模型，最簡單的辦法是看examples/cpp_classification裡面的cpp文件，那是教你如何調用caffe獲取分類結果的...（你沒接觸過caffe的話，建議你直接按照這個文件來操作可能會比較簡單，下面我的代碼我也不知道沒接觸過caffe的人看起來難度會有多大）
不過那個代碼我看著不太習慣，所以之前自己稍微寫了一個簡易的版本，不知道怎麼上傳附件，懶人一個就直接把代碼貼在最後了。
先簡單解釋一下如何使用，把這個代碼復制到一個頭文件中，然後放在examples裡面一個自己創建的文件夾裡面，然後寫一個main函數調用這個類就可以了，比如：
復制，保存到caffe/examples/myproject/net_operator.hpp，然後同目錄下寫一個main.cpp，在main函數裡面#include "net_operator.hpp"，就可以使用這個類了：
const string net_prototxt = "..."; // 你的網路的prototxt文件，用絕對路徑，下面同理
const string pre_trained_file = "..."; // 你訓練好的.caffemodel文件
const string img_path = "..."; // 你要測試的圖片路徑
// 創建NetOperator對象
NetOperator net_operator(net_prototxt, pre_trained_file);
Blob<float> *blob = net_operator.processImage(img_path);
// blob就得到了最後一層的輸出結果，至於blob裡面是怎麼存放數據的，你需要去看看官網對它的定義
C. 如何看懂caffe代碼
問我意利咖啡館哪我肯定說caffe grecocaffe greco ~家張於1760咖啡館仍保持著百變裝潢侍者既往身著高雅黑色禮服佩戴領結都絲苟甚至都像隨性意利作風看簇新咖啡機甚至懷疑自穿越侯2百前羅馬~咖啡未必意利我卻減少我嗜咖啡追尋殿堂級師腳步拜倫、歌德、王爾德、瓦格納、李斯特名字都閃耀著藝術光輝《羅馬假》安妮公主記者家店享受咖啡與香檳~咖啡味道已重要品嘗已僅僅咖啡更積淀百歷史與風情意利充滿著文與藝術即使破舊卻永遠掩飾其光華古現代共存美麗永遠名字
D. caffe源碼 哪些層需要.cu文件
1．學習程序的第一步，先讓程序跑起來，看看結果，這樣就會有直觀的感受。
Caffe的官網上Caffe | Deep Learning Framework 提供了很多的examples,你可以很容易地開始訓練一些已有的經典模型，如LeNet。我建議先從
LeNet MNIST Tutorial開
始，因為數據集很小，網路也很小但很經典，用很少的時間就可以跑起來了。當你看到terminal刷拉拉的一行行輸出，看到不斷減少的loss和不斷上升
的accuracy，訓練結束你得到了99+%的准確率，感覺好厲害的樣子。你可以多跑跑幾個例子，熟悉一下環境和介面。
2．單步調試，跟著Caffe在網路里流動
當玩了幾天之後，你對Caffe的介面有點熟悉了，對已有的例子也玩膩了，你開始想看看具體是怎麼實現的了。我覺得最好的方法是通過單步調試的方式跟著程序一步一步的在網路里前向傳播，然後再被當成誤差信息傳回來。
E. caffe python layers的源代碼在哪
需要
export $PYTHONPATH=./path/to/my_layers_dir:$PYTHONPATH
這樣才能找到你的python文件。
然後mole這個參數就是你的文件名，不需要後綴.py
param_str就是你需要的所有參數在這里設置，自己定義就好，這個其實就是一個字元串，目的是用來在層當中使用eval生成一個字典，然後參數就傳進去了。
F. 阿里雲深度學習caffe怎麼改源碼
Caffe是目前深度學習比較優秀好用的一個開源庫，采樣c++和CUDA實現，具有速度快，模型定義方便等優點。學習了幾天過後，發現也有一個不方便的地方，就是在我的程序中調用Caffe做圖像分類沒有直接的介面。Caffe的數據層可以從資料庫
G. 深度學習caffe的代碼怎麼讀
1．學習程序的第一步，先讓程序跑起來，看看結果，這樣就會有直觀的感受。
Caffe的官網上Caffe | Deep Learning Framework 提供了很多的examples,你可以很容易地開始訓練一些已有的經典模型，如LeNet。我建議先從 LeNet MNIST Tutorial開始，因為數據集很小，網路也很小但很經典，用很少的時間就可以跑起來了。當你看到terminal刷拉拉的一行行輸出，看到不斷減少的loss和不斷上升的accuracy，訓練結束你得到了99+%的准確率，感覺好厲害的樣子。你可以多跑跑幾個例子，熟悉一下環境和介面。
2．單步調試，跟著Caffe在網路里流動
當玩了幾天之後，你對Caffe的介面有點熟悉了，對已有的例子也玩膩了，你開始想看看具體是怎麼實現的了。我覺得最好的方法是通過單步調試的方式跟著程序一步一步的在網路里前向傳播，然後再被當成誤差信息傳回來。
Caffe就像一個你平常編程中Project,你可以使用IDE或者GDB去調試它，這里我們不細說調試的過程。你可以先跟蹤前向傳播的過程，無非就是從高層次到低層次的調用Forward函數，Solver->Net->Layer->Specific Layer (Convolution等...).後向傳播也類似，但因為你對Caffe裡面的各種變數運算不熟悉，當你跟蹤完前向傳播時可能已經頭暈眼花了，還是休息一下，消化一下整個前向傳播的流程。
剛剛開始你沒有必要對每個Layer的計算細節都那麼較真，大概知道程序的運算流程就好，這樣你才可以比較快的對Caffe有個大體的把握。
3．個性化定製Caffe
到這里，你已經可以說自己有用過Caffe了，但是還不能算入門，因為你還不知道怎麼修改源碼，滿足自己特定的需求。我們很多時候都需要自己定義新的層來完成特定的運算，這時你需要在Caffe里添加新的層。
你一開肯定無從下手，腦子一片空白。幸運的是Caffe github上的Wiki Development · BVLC/caffe Wiki · GitHub已經有了教程了，而且這是最接近latest Caffe的源碼結構的教程，你在網上搜到的Blog很多是有點過時的，因為Caffe最近又重構了代碼。你可以跟著它的指導去添加自己的層。
雖然你已經知道要在哪裡添加自己的東西了，但你遇到最核心的問題是如何寫下面這四個函數。
forward_cpu()
forward_gpu()
backward_cpu()
backward_gpu()
你可以先模仿已有的層去實現這四個函數，而且我相信forward函數很快就可以寫出來了，但backward的還是一頭霧水。這時我們就要補補神經網路里最核心的內容了——Backpropagation.
4．理解並實現Backpropagation
這個我覺得是與平台無關的，不管你是使用Caffe、Torch 7,還是Theano,你都需要深刻理解並掌握的。因為我比較笨，花了好長時間才能夠適應推導中的各種符號。其實也不難，就是誤差順著Chain rule法則流回到前面的層。我不打算自己推導後向傳播的過程，因為我知道我沒有辦法將它表達得很好，而且網上已經有很多非常好的教程了。下面是我覺得比較好的學習步驟吧。
從淺層的神經網路（所謂的全連接層）的後向傳播開始，因為這個比較簡單，而且現在我們常說的CNN和LSTM的梯度計算也最終會回歸到這里。
第一個必看的是Ng深入淺出的Ufldl教程UFLDL Tutorial，還有中文版的，這對不喜歡看英語的同學是個好消息。當然你看一遍不理解，再看一遍，忘了，再看，讀個幾遍你才會對推導過程和數學符號熟悉。我頭腦不大行，來來回回看了好多次。
當然，Ufldl的教程有點短，我還發現了一個講得更細膩清晰的教程, Michael Nielsen寫的Neural networks and deep learning。它講得實在太好了，以至於把我的任督二脈打通了。在Ufldl的基礎上讀這個，你應該可以很快掌握全連接層的反向傳播。
最後在拿出standford大牛karpathy的一篇博客Hacker's guide to Neural Networks，這里用了具體的編程例子手把手教你算梯度，並不是推導後向傳播公式的，是關於通用梯度計算的。用心去體會一下。
這時你躍躍欲試，回去查看Caffe源碼里Convolution層的實現，但發現自己好像沒看懂。雖說卷積層和全連接層的推導大同小異，但思維上還是有個gap的。我建議你先去看看Caffe如何實現卷積的，Caffe作者賈揚清大牛在知乎上的回答在 Caffe 中如何計算卷積？讓我茅塞頓開。重點理解im2col和col2im.
這時你知道了Convolution的前向傳播，還差一點就可以弄明白後向傳播怎麼實現了。我建議你死磕Caffe中Convolution層的計算過程，把每一步都搞清楚，經過痛苦的過程之後你會對反向傳播有了新的體會的。在這之後，你應該有能力添加自己的層了。再補充一個完整的添加新的層的教程Making a Caffe Layer • Computer Vision Enthusiast。這篇教程從頭開始實現了一個Angle To Sine Cosine Layer，包含了梯度推導，前向與後向傳播的CPU和GPU函數，非常棒的一個教程。
最後，建議學習一下基本的GPU Cuda編程，雖然Caffe中已經把Cuda函數封裝起來了，用起來很方便，但有時還是需要使用kernel函數等Cuda介面的函數。這里有一個入門的視頻教程，講得挺不錯的NVIDIA CUDA初級教程視頻。
作者：Gein Chen
來源：知乎
H. 看caffe和tensorflow源碼用什麼IDE
caffe 可以試試anjuta
I. 深度學習caffe的代碼怎麼讀
我認為這個問題我是這樣看的，希望可以幫到你。
首先
Caffe框架主要有五個組件，Blob，Solver，Net，Layer，Proto，其結構圖如下圖1所示。Solver負責深度網路的訓練，每個Solver中包含一個訓練網路對象和一個測試網路對象。每個網路則由若干個Layer構成。每個Layer的輸入和輸出Feature map表示為Input Blob和Output Blob。
最後因為我自己也不是專業的程序員所以如果有不對的地方歡迎更正。
J. 在VS2013中打開caffe源代碼，都能編譯成功，下一步應該怎麼訓練模型
你想調用你的模型，最簡單的辦法是看examples/cpp_classification裡面的cpp文件，那是教你如何調用caffe獲取分類結果的...（你沒接觸過caffe的話，建議你直接按照這個文件來操作可能會比較簡單，下面我的代碼我也不知道沒接觸過caffe的人看起來難度會有多大）
不過那個代碼我看著不太習慣，所以之前自己稍微寫了一個簡易的版本，不知道怎麼上傳附件，懶人一個就直接把代碼貼在最後了。
先簡單解釋一下如何使用，把這個代碼復制到一個頭文件中，然後放在examples裡面一個自己創建的文件夾裡面，然後寫一個main函數調用這個類就可以了，比如：
復制，保存到caffe/examples/myproject/net_operator.hpp，然後同目錄下寫一個main.cpp，在main函數裡面#include "net_operator.hpp"，就可以使用這個類了：
const string net_prototxt = "..."; // 你的網路的prototxt文件，用絕對路徑，下面同理
const string pre_trained_file = "..."; // 你訓練好的.caffemodel文件
const string img_path = "..."; // 你要測試的圖片路徑
// 創建NetOperator對象
NetOperator net_operator(net_prototxt, pre_trained_file);
Blob<float> *blob = net_operator.processImage(img_path);
// blob就得到了最後一層的輸出結果，至於blob裡面是怎麼存放數據的，你需要去看看官網對它的定義
寫完main.cpp之後，到caffe目錄下，make，然後它會編譯你寫的文件，對應生成的可執行文件。比如按我上面寫的那樣，make之後就會在caffe/build/examples/myproject文件夾裡面生成一個main.bin，執行這個文件就可以了。因為生成的可執行文件並不是直接在代碼目錄下，所以前面我建議你寫的路徑用絕對路徑
另外如果你要獲取的不是最後一層的輸出，你需要修改一下processImage函數的返回值，通過NetOperator的成員變數net_來獲取你需要的blob，比如有個blob名稱為"label"，你想獲取這個blob，可以通過net_->blob_by_name("label")來獲取，當然獲取到的是shared_ptr<Blob<float> >類型的，搜一下boost shared_ptr就知道跟普通指針有什麼不同了