2. 程式人生 > >VGG_face Caffe 微調(finetuing)詳細教程（一）

VGG_face Caffe 微調(finetuing)詳細教程（一）

阿新 • • 發佈：2018-12-18

引言

VGG Face Descriptor 是牛津大學VGG小組的工作，現在已經開源訓練好的網路結構和模型引數，本文將基於此模型在caffe上使用其他的人臉資料進行模型微調，並驗證微調結果。

一.額外的人臉資料集和預微調模型

要對訓練好的模型進行微調，首先我們得自己準備額外的人臉資料。這裡我選用IMM人臉資料庫，該人臉資料庫包括了240張人臉圖片,共40個人(7女33男),每人6張人臉圖片,每張人臉圖片被標記了58個特徵點。
下載連線：http://www.imm.dtu.dk/~aam/
可能上面的連線下載速度會過慢，我上傳到了部落格上面供大家下載：
https://download.csdn.net/download/huxiny/10751345

下圖是IMM資料庫的人臉圖:
在這裡插入圖片描述

二.資料處理

IMM資料庫裡的圖片是不能直接用的，這裡我們需要做一下資料處理，將圖片資料轉化為lmdb資料。
將圖片資料轉化為lmdb資料我們需要一個txt檔案，這個txt檔案內容是怎麼樣的？ 如下圖所示：
在這裡插入圖片描述
檔案內容格式很簡單，檔名 (空格) 檔案所屬類。
我們這裡擁有40個小夥子，當然就有40個類，不過類的編號要從0開始(這是caffe的規定)，也就是0~39。

這個檔案的生成很簡單，先別急，我們等會在關心這個檔案，在此之前我們需要將這240張圖片分配到3個資料夾下面，這3個資料夾分別是train 、test和val。
train資料夾用於存放對模型微調所需要的人臉資料；
test資料夾用於存放微調過程中測試所用的人臉資料；
val資料夾用於存放模型微調結束後用於驗證模型的人臉資料。

我們直接使用下面命令移動圖面就好了：

mv *-6*.jpg test
mv *-5*.jpg val

40個人，每個人有6張照片，我們把所有人的第6張照片放到test資料夾中，同理將第5張照片放到val資料夾中，剩下的放到train資料夾中用於訓練。

接下來就該生成train.txt和test.txt檔案了(不用生成val.txt)，這裡我用的是python指令碼生成的，很簡單，但是我還是把程式碼貼一下：

import os

def file_name(file_dir):
    for root, dirs, files in os.walk(file_dir):
        return files

def writeToFile(fileName, lines):
    with open(fileName, 'w') as f:    # 若檔案不存在則會建立一個
        f.writelines(lines)

lines = []
fileNames = file_name('yourPath/train')
for i in range(0, len(fileNames)):
    num = str(int(fileNames[i].split('-')[0]) - 1)
    line = fileNames[i] + ' ' + num + '\n'
    lines.append(line)
writeToFile('yourPath/train.txt', lines)

改一下路徑就可以用了。

接下來到我們的這小一步的最終目的，將train資料夾和test資料夾內的人臉資料轉化為lmdb資料。
這裡我們使用的是caffe提供給我們的一個convert_imageset工具，該工具在caffe_root/build/tools/ 目錄下。
這裡寫一個指令碼來完成lmdb的轉化：(如果你不嫌麻煩的話你可以直接呼叫命令來實現)

#!/usr/bin/env sh
MY=/home/pzs/husin/caffePython/husin_download/VGG_face

echo "Create train lmdb..."
rm -rf $MY/img_train_lmdb
/home/pzs/caffe/caffe/build/tools/convert_imageset --shuffle --resize_height=224 --resize_width=224 $MY/train/ $MY/train.txt $MY/img_train_lmdb

echo "Create test lmdb..."
rm -rf $MY/img_test_lmdb
/home/pzs/caffe/caffe/build/tools/convert_imageset --shuffle --resize_height=224 --resize_width=224 $MY/test/ $MY/test.txt $MY/img_test_lmdb


echo "All Done"

同樣的，改一下路徑就可以用了。

這裡說明一下，vgg_face輸入的圖片大小格式為224×224，所以使用resize_height和resize_width引數將圖片大小轉換為224×224。

執行指令碼後，得到兩個資料夾：
在這裡插入圖片描述
每個資料夾內都有兩個檔案：
在這裡插入圖片描述

不過我們不用關心這兩個資料夾裡的內容，我們只需要得到這兩個資料夾就夠了，這裡只是提一下，有興趣的同學可以深入瞭解。

三.生成均值檔案

caffe樣本均值檔案的作用這裡就不說了，百度一下就都明白了，這裡只說明怎麼生成均值檔案。
caffe程式提供了一個計算均值的檔案compute_image_mean.cpp，我們直接使用就可以了：

    # sudo build/tools/compute_image_mean yourPath/img_train_lmdb yourPath/mean.binaryproto

當然你可以可寫成指令碼，方便下次使用。

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 yourPath/ 下面生成一個mean.binaryproto的均值檔案。

四.caffe訓練相關配置檔案修改

接下來我們要建立一個train_test.prototxt檔案，該檔案內容是神經網路結構的描述，你可以自己寫，也可以複製下面的程式碼，注意要改動的地方都標出來了。

name: "VGG_FACE_16_Net"
layer {
  name: "data"
  type: "Data"           
  top: "data"
  top: "label"
  data_param {
    source: "$/train_lmdb"                     # 這裡修改，train資料的lmdb檔案地址
    backend:LMDB
    batch_size: 100                               # 這裡修改，根據自己情況修改，我改為了4
  }
  transform_param {
     mean_file: "$/mean.binaryproto"    # 這裡修改，均值檔案地址
     mirror: true
  }
  include: { phase: TRAIN }
}

layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  data_param {
    source: "$/test_lmdb"                      # 這裡修改，test資料的lmdb檔案地址
    backend:LMDB
    batch_size: 25                               # 這裡修改，根據自己情況修改，我改為了4
  }
  transform_param {
    mean_file: "$/mean.binaryproto"   # 這裡修改，均值檔案地址
    mirror: true
  }
  include: { 
    phase: TEST 
  }
}
layer {
  name: "conv1_1"
  type: "Convolution"
  bottom: "data"
  top: "conv1_1"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 64
    kernel_size: 3
    pad: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu1_1"
  type: "ReLU"
  bottom: "conv1_1"
  top: "conv1_1"
}
layer {
  name: "conv1_2"
  type: "Convolution"
  bottom: "conv1_1"
  top: "conv1_2"
  param {
    lr_mult: 1 
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 64
    kernel_size: 3
    pad: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  } 
}
layer {
  name: "relu1_2"
  type: "ReLU"
  bottom: "conv1_2"
  top: "conv1_2"
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1_2"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv2_1"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2_1"
  param {
    lr_mult: 1
    decay_mult: 1
  } 
  param {
    lr_mult: 2
    decay_mult: 0
  } 
  convolution_param {
    num_output: 128
    kernel_size: 3
    pad: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    } 
    bias_filler {
      type: "constant"
      value: 0
    } 
  } 
}
layer {
  name: "relu2_1"
  type: "ReLU"
  bottom: "conv2_1"
  top: "conv2_1"
}
layer { 
  name: "conv2_2"
  type: "Convolution"
  bottom: "conv2_1"
  top: "conv2_2"
  param {
    lr_mult: 1
    decay_mult: 1
  } 
  param {
    lr_mult: 2
    decay_mult: 0
  } 
  convolution_param {
    num_output: 128
    kernel_size: 3
    pad: 1
    weight_filler {
      type: "gaussian"
      std: 0.01 
    } 
    bias_filler {
      type: "constant"
      value: 0
    }
  } 
}
layer {
  name: "relu2_2"
  type: "ReLU"
  bottom: "conv2_2"
  top: "conv2_2"
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2_2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv3_1"
  type: "Convolution"
  bottom: "pool2"
  top: "conv3_1"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    kernel_size: 3
    pad: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu3_1"
  type: "ReLU"
  bottom: "conv3_1"
  top: "conv3_1"
}
layer {
  name: "conv3_2"
  type: "Convolution"
  bottom: "conv3_1"
  top: "conv3_2"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    kernel_size: 3
    pad: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu3_2"
  type: "ReLU"
  bottom: "conv3_2"
  top: "conv3_2"
}
layer {
  name: "conv3_3"
  type: "Convolution"
  bottom: "conv3_2"
  top: "conv3_3"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    kernel_size: 3
    pad: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu3_3"
  type: "ReLU"
  bottom: "conv3_3"
  top: "conv3_3"
}
layer {
  name: "pool3"
  type: "Pooling"
  bottom: "conv3_3"
  top: "pool3"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv4_1"
  type: "Convolution"
  bottom: "pool3"
  top: "conv4_1"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 512
    kernel_size: 3
    pad: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu4_1"
  type: "ReLU"
  bottom: "conv4_1"
  top: "conv4_1"
}
layer {
  name: "conv4_2"
  type: "Convolution"
  bottom: "conv4_1"
  top: "conv4_2"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 512
    kernel_size: 3
    pad: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu4_2"
  type: "ReLU"
  bottom: "conv4_2"
  top: "conv4_2"
}
layer {
  name: "conv4_3"
  type: "Convolution"
  bottom: "conv4_2"
  top: "conv4_3"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 512
    kernel_size: 3
    pad: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu4_3"
  type: "ReLU"
  bottom: "conv4_3"
  top: "conv4_3"
}
layer {
  name: "pool4"
  type: "Pooling"
  bottom: "conv4_3"
  top: "pool4"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv5_1"
  type: "Convolution"
  bottom: "pool4"
  top: "conv5_1"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 512
    kernel_size: 3
    pad: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu5_1"
  type: "ReLU"
  bottom: "conv5_1"
  top: "conv5_1"
}
layer {
  name: "conv5_2"
  type: "Convolution"
  bottom: "conv5_1"
  top: "conv5_2"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 512
    kernel_size: 3
    pad: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu5_2"
  type: "ReLU"
  bottom: "conv5_2"
  top: "conv5_2"
}
layer {
  name: "conv5_3"
  type: "Convolution"
  bottom: "conv5_2"
  top: "conv5_3"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 512
    kernel_size: 3
    pad: 1
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "relu5_3"
  type: "ReLU"
  bottom: "conv5_3"
  top: "conv5_3"
}
layer {
  name: "pool5"
  type: "Pooling"
  bottom: "conv5_3"
  top: "pool5"
  pooling_param {
    pool: MAX
    kernel_size: 2
    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"
  # Note that lr_mult can be set to 0 to disable any fine-tuning of this, and any other, layer
  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_flickr"
  type: "InnerProduct"
  bottom: "fc7"
  top: "fc8_flickr"
  # lr_mult is set to higher than for other layers, because this layer is starting from random while the others are already trained
  propagate_down: false
  inner_product_param {
    num_output: 356                         #這裡修改，改為對應的分類數，有40人，應改為40
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "fc8_flickr"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST
  }
}
layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "fc8_flickr"
  bottom: "label"
  top: "loss"
}

接著我們還要建立一個solver.prototxt檔案，該檔案內容是整個神經網路的一些超引數：

net: "/home/pzs/husin/caffePython/husin_download/VGG_face/train_test.prototxt"   # 改
test_iter: 40
test_interval: 10
# lr for fine-tuning should be lower than when starting from scratch
base_lr: 0.001
lr_policy: "step"
gamma: 0.1
# stepsize should also be lower, as we're closer to being done
stepsize: 20000
display: 20
max_iter: 1000
momentum: 0.9
weight_decay: 0.0005
snapshot: 20
snapshot_prefix: "/home/pzs/husin/caffePython/husin_download/VGG_face/snapshot"    # 改
# uncomment the following to default to CPU mode solving
solver_mode: CPU

這個檔案沒什麼要改的了(但路徑還是要該的)，直接複製就好了，若瞭解引數的含義可以自行按照自己的需求優化調整。

五.訓練

在訓練之前，我們先建立一個snapshot資料夾，該資料夾儲存訓練過程中的caffemodel檔案，solver.prototxt檔案中的snapshot_prefix項指定路徑，snapshot:20表示迭代20次儲存一次caffemodel。

開始訓練：

caffe_root/build/tools/caffe train -solver yourPath/solver.prototxt -weights yourPath/VGG_FACE.caffemodel

執行上面命令就可以開始訓練了，使用的是caffe自帶的工具來執行的，solver引數後面跟著solver檔案地址，weights引數後面跟著需要進行微調的caffemodel。

訓練結果：
這裡我用單核CPU迭代了1000次，花費了近8個小時，所以有GPU就用GPU吧。
在這裡插入圖片描述

精度竟然達到了100%，你敢信？

接下來我還會寫一篇驗證模型的文章，介紹如何使用訓練好的caffe模型。

結束語

該文章是本人對caffe學習的階段總結，有錯誤之處還請大家指出，以共同學習。

And let us not be weary in well-doing, for in due season, we shall reap, if we faint not

相關推薦

VGG_face Caffe 微調(finetuing)詳細教程（一）

引言 VGG Face Descriptor 是牛津大學VGG小組的工作，現在已經開源訓練好的網路結構和模型引數，本文將基於此模型在caffe上使用其他的人臉資料進行模型微調，並驗證微調結果。 一.額外的人臉資料集和預微調模型 要對訓練好的模型進行微調，首先我們

VGG_face Caffe 微調(finetuing)詳細教程（二）

引言 接著上篇文章，我們瞭解瞭如何在vgg_face模型的基礎上進行微調。接下來我將介紹如何使用微調好的模型識別人臉。 一.deploy配置檔案 在使用模型之前還需要一個deploy.prototxt，該檔案儲存的是神經網路的結構，和train_test.pro

ThinkJS框架入門詳細教程（一）開發環境

install devel 版本 開發 conf doc 瀏覽器 打開 變量 一、前端標配環境 1、nodeJS正確安裝，可以參考：http://www.cnblogs.com/chengxs/p/6221393.html 2、git正確安裝，可以參考：http://w

Solr叢集搭建詳細教程（一） Linux伺服器上安裝JDK小白教程

注：歡迎大家轉載，非商業用途請在醒目位置註明本文連結和作者名dijia478，商業用途請聯絡本人[email protected]。 一、Solr叢集的系統架構 SolrCloud(solr 雲)是Solr提供的分散式搜尋方案，當你需要大規模，容錯，分散式索引和檢索能力時使用 SolrCloud

Solr集群搭建詳細教程（一）

nbsp zookeeper 節點 功能 安裝jdk 集群 創建 主服務器 mage 註：歡迎大家轉載，非商業用途請在醒目位置註明本文鏈接和作者名dijia478，商業用途請聯系本人[email protected]。 一、Solr集群的系統架構 SolrCloud(solr

Spring入門詳細教程（一）

一、spring概述 Spring是一個開放原始碼的設計層面框架，他解決的是業務邏輯層和其他各層的鬆耦合問題，因此它將面向介面的程式設計思想貫穿整個系統應用。Spring是於2003 年興起的一個輕量級的Java 開發框架，由Rod Johnson建立。簡單來說，Spring是一個分層的JavaSE/EE&

vue入門 | 使用vue.js2.0 + ElementUI開發後臺管理系統詳細教程（一）

轉載自：http://www.jianshu.com/p/d87d7140944e 導語 本次將會從頭到尾詳解，怎樣使用vue和ElementUI快速開發後臺管理系統，以及在開發過程中遇到的一些bug 如果執行時報錯，請檢查幾個包的版本 node.js 6.9.2

【Android】AndroidStudio編寫外掛超詳細教程（一）

AndroidStudio外掛超詳細教程（一） 本教程從0開始，邊探索邊講解思路，保證詳細～～～寫的時候發現有點長，準備分2-3次寫完吧。 最近專案試了一下Android元件化架構，感覺坑還是蠻多的，首先ButterKnife就用不了了，

史上最詳細的Vmware安裝教程（一）-建立Linux虛擬機器

本文將演示如何使用Vwmare workstation軟體建立Linux虛擬機器，通過學習，我們將可以按照自己下需求，來建立一個安裝Linux作業系統（Centos）的虛擬機器，虛擬機器的CPU、硬碟、網絡卡、記憶體等硬體都可以根據需要進行定製。 1. 準備Host機器（

史上最詳細的Android Studio系列教程（一）--下載和安裝

背景 相信大家對Android Studio已經不陌生了，Android Studio是Google於2013 I/O大會針對Android開發推出的新的開發工具，目前很多開源專案都已經在採用，Google的更新速度也很快，明顯能感覺到這是Android開發的未來，那

最詳細的Storm入門教程（一）

Storm簡介 Apache Storm是一個分散式實時大資料處理系統。Storm設計用於在容錯和水平可擴充套件方法中處理大量資料。 Storm框架主要由7部分組成 Topology：一個實時應用的計算任務被打包作為Topology釋出，這同Hadoop的

Spring MVC新手教程（一）

erp -s sil troy .html 解釋 rand rtu wire 直接幹貨 model 考慮給用戶展示什麽。關註支撐業務的信息構成。構建成模型。 control 調用業務邏輯產生合適的數據以及傳遞數據給視圖用於呈獻； view怎樣對數據進行布局，以

學習 MeteoInfo二次開發教程（一）

mat 沒有 組件 資源管理 img 教程 layer 添加 bbs 來自氣象家園：http://bbs.06climate.com/forum.php?mod=viewthread&tid=6631 按照教程，沒有太大問題，有些是對c#操作不熟悉導致。 1.添加d

netty開發教程（一）

prot eventloop 操作 公司 大量 read readline 獲得 github Netty介紹 Netty is an asynchronous event-driven network application framework for

fullpage.js簡單教程（一）

style 準備工作 iba 耐心 兼容性 css3 動畫 lin per orm 最近準備做一個全屏滾動的網頁，在網上搜了一堆教程，結果大多都是一些很籠統的使用方法，對我這種耐心不超過3秒的笨蛋來說，很晦澀很籠統，所以打算邊研究邊自己寫個教程，有什麽不懂的，我再回來翻看筆

方便大家學習的Node.js教程（一）：理解Node.js

圖形 -1 iter pri attribute set run 相對 mage 理解Node.js 為了理解Node.js是如何工作的，首先你需要理解一些使得Javascript適用於服務器端開發的關鍵特性。Javascript是一門簡單而又靈活的語言，這種靈

Nginx實用教程（一）：啟動、停止、重載配置

style 負載 繼續 local con doc lin 配置文件的修改 tex Nginx是一個功能強大的web服務器和負載均衡軟件，由俄羅斯人開發。Nginx包括一個master進程和數個worker進程，master進程用於讀取、解析配置文件和管理worker進程，

CentOS下安裝XAMPP詳細教程（轉）

文件 sql user roc method 提示 ges 教程 comment 【原文】http://blog.csdn.net/hel12he/article/details/49781813 現在PHP的集成運行環境越來越多，個人比較喜歡XAMPP，更新速度快，好

Yii2框架RESTful API教程（一） - 快速入門

比較 exp values cnblogs -- restful extends .cn pat 前不久做一個項目，是用Yii2框架寫一套RESTful風格的API，就去查了下《Yii 2.0 權威指南 》，發現上面寫得比較簡略。所以就在這裏寫一篇教程貼，希望幫助剛接觸Yi

微信公眾平臺開發教程（一） 微信公眾賬號註冊流程

身份證 logs 政府 提交 註意 bsp 訪問服務器 定義 htm 具體的操作步驟 1、註冊公眾賬號 註冊地址：http://mp.weixin.qq.com/ 1）首先需要郵箱註冊： 2）郵箱激活。郵箱將會收到激活郵件，點擊激活鏈接即可。 3）需要登記個人信息。這裏需