2. 程式人生 > >Caffe簡明教程5：訓練你的第一個Caffe模型-MNIST分類器

Caffe簡明教程5：訓練你的第一個Caffe模型-MNIST分類器

阿新 • • 發佈：2019-01-29

如果你已經根據前面幾篇文章成功地編譯了Caffe，那麼現在是時候訓練你的第一個模型了。我準備借用Caffe官網的LeNet例子來寫這篇文章，您也可以訪問原始的文件：Training LeNet on MNIST with Caffe

Caffe在編譯完成之後，在caffe根目錄下有個examples資料夾，裡面包含了很多Caffe的例子，其中就有MNIST。

1 準備資料

這次實驗使用的是MNIST資料集，相信做計算機視覺的朋友都知道，MNIST資料集是一個由Yann LeCun及其同事整理和開放出來的手寫數字圖片的資料集。我們將使用Caffe來訓練一個能夠識別手寫數字的模型。

首先我們需要下載MNIST資料集，執行caffe提供下載資料集的shell指令碼：

cd $CAFFE_ROOT             # $CAFFE_ROOT是你caffe的根目錄
./data/mnist/get_mnist.sh  # 此指令碼將下載MNIST資料集

執行上面的指令碼之後，目錄$CAFFE_ROOT/data/mnist/下將出現以下四個檔案：

  • train-images-idx3-ubyte（訓練樣本）
  • train-labels-idx1-ubyte（訓練樣本標籤）
  • t10k-images-idx3-ubyte（測試樣本）
  • t10k-labels-idx1-ubyte（測試樣本標籤）

接著，我們需要把上面的資料轉換為Caffe需要的資料形式（lmdb資料庫形式，不瞭解lmdb的話可以暫時放在這裡，後面的文章會詳細解釋），執行Caffe提供的資料轉換指令碼，將MNIST資料集轉換為Caffe所需的lmdb檔案：

./examples/mnist/create_mnist.sh  # 將MNIST資料集轉換為Caffe所需的lmdb檔案

開啟目錄$CAFFE_ROOT/examples/mnist你會發現多了兩個資料夾：mnist_test_lmdb和mnist_train_lmdb，這兩個資料夾分別儲存了MNIST的以lmdb形式儲存的測試集和訓練集。

Trouble shooting

如果報錯wget或者gnuzip沒有安裝，那麼使用命令sudo apt-get install wget gzip安裝它們。
wget用於從遠端伺服器獲取檔案，gzip用於解壓縮檔案。

2 LeNet: 用於MNIST資料集的分類模型

這裡寫圖片描述

簡單介紹一下LeNet的結構：
  • 輸入為32x32的灰度圖片
  • 接著是一個卷積層
  • 接著是一個取樣層（池化層）
  • 又是一個卷積層
  • 又是一個取樣層（池化層）
  • 最後有一個10維的softmax輸出層（分別對應數字0-9）

Andrew的圖可能更清晰一點：

這裡寫圖片描述

OK，瞭解了LeNet的結構之後，我們來看看如何在Caffe中定義這網路。

3 在Caffe中定義LeNet

在Caffe中定義一個網路的結構可能是入門者的大難題，但是，只要我們靜下心仔細學習，你會發現在Caffe中定義一個網路其實是非常方便的，而且不需要我們寫任何C++或者Python程式碼。

在Caffe中，定義網路的結構需要用的到Google的Protocol Buffer。我們現在可以先不急著去深入瞭解Protocol Buffer，我們只需要知道，Protocal Buffer就是一種用來描述資料結構的簡單的語言（類似XML，但是比XML強大得多）。

幸運的是，Caffe的MNIST例子中已經有寫好了的LeNet網路結構，這個網路結構的定義在這裡：
$CAFFE_ROOT/examples/mnist/lenet_train_test.prototxt。
現在你可以開啟它檢視一下，看看裡面的內容是什麼，是不是很像C語言裡面的結構(struct)呀？看看自己能否看出來這些內容的含義。
注意：Protocol Buffer檔案一般都是以.prototxt結尾的文字檔案。

現在，我們複製lenet_train_test.prototxt中的內容，開啟網址：http://ethereon.github.io/netscope/#/editor，粘帖進去，然後按shift+enter，看看這個網路到底是什麼樣的。

看不出來沒關係，下面會仔細講解這個檔案的內容。另外，雖然這裡有個現成的LeNet結構定義檔案，但是光看它的內容是不能掌握Caffe的，你還是應該親自動手，在目錄$CAFFE_ROOT/examples/mnist下建立一個空白的檔案，並命名為my_lenet.prototext。下面我們就在my_lenet.prototext中親自定義一個LeNet。

3.1 給你的網路取個好聽的名字

第一步，當然得給網路取個好聽的名字，對吧？
用你喜歡的編輯器開啟你剛剛建立的檔案：$CAFFE_ROOT/examples/mnist/my_lenet.prototext。現在，該檔案是空的，我們在第一行寫上：

name: "LeNet"

那麼取名這個事情就完成了。

3.2 網路當然要有輸入資料才能訓練

名字取好之後，在新的一行，我們來定義資料的輸入層，層(layer)這個概念在Caffe中是非常重要的，現在我們使用關鍵字layer來定義網路的一個層，這裡我們定義資料輸入層。在檔案$CAFFE_ROOT/examples/mnist/my_lenet.prototext中接著新增如下內容：

layer {
  name: "mnist" // 網路層的名字
  type: "Data"  // 網路層的型別，這裡Data指的是資料層，後面你還會看到其他型別的層
  top: "data"   // top屬性指明本層的資料將輸出到何處，這裡資料將儲存到data中
  top: "label"  // 資料的標籤將儲存在label中
  include {  // 此屬性用於確定在哪個過程中使用本層
    phase: TRAIN  // 只在訓練的過程中使用本層
  }
  transform_param { // 這個是網路層的資料轉換屬性，在Caffe的網路層中傳輸資料時，可以對資料進行處理
    scale: 0.00390625  // 用於修改資料範圍，就是所有輸入的資料都乘以這個值，0.00390625=1/256
                       // 因為灰度圖是0~255，乘以scale，那麼所有的資料都在0~1之間，方便處理。
  }
  data_param {  // 這個用於定義資料的一些屬性
    source: "examples/mnist/mnist_train_lmdb"  // 儲存訓練集的資料夾
    backend: LMDB  // 後端使用的是LMDB來儲存資料，在文章開頭講過Caffe的資料集形式
    batch_size: 64 // 這個就不用解釋了吧。每一批輸入64個樣本
  }
}

上面的層定義是不是看起來很頭大，沒關係，不是還有註釋嘛，快看註釋（.prototxt檔案的註釋和C語言中的註釋方法相同）。

資料(data)和標籤(label)：Caffe規定，最開始的資料層必須有一個名為data的資料輸出(top)；另外還必須有一個名為label的標籤輸出(top)。Caffe從資料集中讀取資料後，就將樣本和標籤分別儲存在data和label中以便後面的層使用，這就是此例中Data層的作用。

data和label其實是Caffe內部的名為Blob的類的例項，現在可以把Blob當作陣列即可，後面會細講，現在不用深究。

剛剛我們定義了訓練資料的輸入層(include中的phase屬性指明什麼時候使用該層)，現在我們要定義測試階段時資料的輸入層。在檔案$CAFFE_ROOT/examples/mnist/my_lenet.prototext中接著新增如下內容：

layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST // 測試階段才使用本層
  }
  transform_param {
    scale: 0.00390625
  }
  data_param {
    source: "examples/mnist/mnist_test_lmdb" // 包含測試集的資料夾
    batch_size: 100 // 每批測試100個樣本
    backend: LMDB
  }
}

總結一下，目前，我們定義了兩個layer，它們的型別都是Data，即資料層，都用於網路的輸入層。第一個用於訓練階段的資料輸入，第二個用於測試階段的資料輸入。

3.3 定義卷積層

定義了資料輸入層之後，我們需要對樣本進行卷積操作，那麼接下來就讓我們定義第一個卷積層，在檔案$CAFFE_ROOT/examples/mnist/my_lenet.prototext中接著新增如下內容：

layer {
  name: "conv1"        // 該層的名字，可以自己隨便取
  type: "Convolution"  // 該層的型別為卷積層
  bottom: "data"       // bottom和top對應，bottom表示資料的輸入來源是什麼，本層的輸入為data
  top: "conv1"         // 執行卷積後，資料儲存到conv1層中
  param {
    lr_mult: 1         // 第一個param中的lr_mult用於設定weights的學習速率
                       // 與待會兒後面要設定的訓練學習速率的比值
  }
  param {
    lr_mult: 2         // 第二個param中的lr_mult用於設定bias的學習速率
                       // 與待會兒後面要設定的訓練學習速率的比值，設定為2收斂得更好
  }
  convolution_param {  // 設定卷積層的相關屬性
    num_output: 20     // 輸出的通道數
    kernel_size: 5     // 卷積核的大小
    stride: 1          // 步長
    weight_filler {    // weights的初始化的方法
      type: "xavier"   // 使用xavier初始化演算法，此方法可以根據網路的規模自動初始化合適的引數值
    }
    bias_filler {      // bias的初始化方法
      type: "constant" // 使用常數初始化偏置項，預設初始化為0
    }
  }
}

上面的註釋已經比較清楚了，說一下lr_mult，待會兒定義好網路結構之後，我們還需要定義一個訓練檔案，裡面會設定網路的學習速率，這裡的lr_mult即是這個學習速率的倍數。

3.4 定義池化層

在LeNet中，第一個卷積層後面是池化層，在檔案$CAFFE_ROOT/examples/mnist/my_lenet.prototext中接著新增如下內容：

layer {
  name: "pool1"     
  type: "Pooling"   // 型別為Pooling，即池化層
  bottom: "conv1"   // 該層的輸入來自前面的卷積層conv1
  top: "pool1"      // 輸出儲存在本層中
  pooling_param {   // 池化層的引數
    pool: MAX       // 池化方法（取樣方法）
    kernel_size: 2  // 核大小
    stride: 2       // 步長
  }
}

池化層很簡單對不對。

3.5 第二個卷積層和池化層

上面的看懂了，接下來就不難啦。我們接著新增第二個卷積層，以及該卷積層後面的池化層。在檔案$CAFFE_ROOT/examples/mnist/my_lenet.prototext中接著新增如下內容：

layer { // 定義第二個卷積層
  name: "conv2"
  type: "Convolution"
  bottom: "pool1"  // 輸入來自前面的第一個池化層
  top: "conv2"     // 輸出儲存到本層
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 50  // 輸出通道數為50
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer { // 定義第二個池化層
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"  // 輸入來自上面的第二卷積層
  top: "pool2"     // 輸出儲存到本層
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}

好了，目前我們已經定義了LeNet的資料輸入層、卷積層以及池化層。還剩下兩個全連線層和一個Softmax輸出層。

3.6 定義全連線層

全連線層即Fully Connected Layer，一般簡單地縮寫為FC。全連線層很簡單，就是標準神經網路中的網路層。在檔案$CAFFE_ROOT/examples/mnist/my_lenet.prototext中接著新增如下內容：

layer {
  name: "ip1"
  type: "InnerProduct"  // InnerProduct即Caffe中的全連線層，引數和輸入做內積
  bottom: "pool2"       // 輸入來自前面的池化層
  top: "ip1"            // 輸出儲存在本層
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param { // 全連線層的引數
    num_output: 500     // 輸出神經元個數
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}

很簡單吧。我們知道標準神經網路中都有啟用函式，LeNet原始論文使用的是Sigmoid，但是實踐證明ReLU效果更佳。所以我們要對上面的全連線層計算啟用值。

3.6 定義ReLU層

在檔案$CAFFE_ROOT/examples/mnist/my_lenet.prototext中接著新增如下內容：

layer {
  name: "relu1"
  type: "ReLU"  // 該層型別為ReLU
  bottom: "ip1" // 輸入為之前的全連線層
  top: "ip1"    // 輸出儲存在該全連線層中（覆蓋之前的值）
}

3.7 第二個全連線層

下面是第二個全連線層，在檔案$CAFFE_ROOT/examples/mnist/my_lenet.prototext中接著新增如下內容：

layer {
  name: "ip2"
  type: "InnerProduct"
  bottom: "ip1"
  top: "ip2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 10  // 輸出神經元的數量為10
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}

到此，LeNet的主體已經定義完成了。但是我們還需要定義loss，以及用於計算準確率的層。Caffe正好提供了各種各樣的層供我們使用。

3.8 定義用於計算準確率的層

下面的層能夠在測試階段，計算模型的準確率。在檔案$CAFFE_ROOT/examples/mnist/my_lenet.prototext中接著新增如下內容：

layer {
  name: "accuracy"
  type: "Accuracy"  // 該層的型別為Accuracy，計算準確率
  bottom: "ip2"     // 第一個輸入為之前的全連線層
  bottom: "label"   // 第二個輸入為樣本的標籤
  top: "accuracy"   // 輸出儲存在本層中
  include {
    phase: TEST     // 只在測試階段使用本層
  }
}

3.9 定義loss

馬上就要大功告成了，定義LeNet的最後一步，即定義loss。Caffe可以根據loss自動計算梯度，並進行反向傳播。在檔案$CAFFE_ROOT/examples/mnist/my_lenet.prototext中接著新增如下內容：

layer {
  name: "loss"
  type: "SoftmaxWithLoss"  // 該層的型別為Softmax Loss
  bottom: "ip2"            // 第一個輸入為上面的第二個全連線層
  bottom: "label"          // 第二個輸入為樣本標籤
  top: "loss"              // 輸出儲存在本層中
}

Nice！整個LeNet已經定義完了。下面是檔案my_lenet.prototext的完整內容，看看自己少了什麼沒有，沒有註釋，看自己能不能看懂，有疑惑一定要盡情地google之：

name: "LeNet"
layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    scale: 0.00390625
  }
  data_param {
    source: "examples/mnist/mnist_train_lmdb"
    batch_size: 64
    backend: LMDB
  }
}
layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    scale: 0.00390625
  }
  data_param {
    source: "examples/mnist/mnist_test_lmdb"
    batch_size: 100
    backend: LMDB
  }
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 20
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 50
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "ip1"
  type: "InnerProduct"
  bottom: "pool2"
  top: "ip1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 500
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "ip1"
  top: "ip1"
}
layer {
  name: "ip2"
  type: "InnerProduct"
  bottom: "ip1"
  top: "ip2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 10
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "ip2"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST
  }
}
layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "ip2"
  bottom: "label"
  top: "loss"
}

沒問題了？那麼我們還需要寫一個solver，即網路的解法，或者說我們要告訴Caffe如何去訓練LeNet。

4 定義LeNet的解法檔案

Caffe給的例子中已經寫了，其內容如下，強烈推薦你自己試著寫一遍。檔案$CAFFE_ROOT/examples/mnist/lenet_solver.prototxt的內容如下：

# The train/test net protocol buffer definition
net: "examples/mnist/my_lenet.prototxt" # 這裡換成我們定義的網路結構檔案
# test_iter specifies how many forward passes the test should carry out.
# In the case of MNIST, we have test batch size 100 and 100 test iterations,
# covering the full 10,000 testing images.
test_iter: 100 # 每次測試執行100次前向傳播
# Carry out testing every 500 training iterations.
test_interval: 500 # 訓練每迭代500次就測試一次
# The base learning rate, momentum and the weight decay of the network.
base_lr: 0.01  # 基本學習速率
momentum: 0.9  # 衝量梯度下降引數
weight_decay: 0.0005 # 正則化引數
# The learning rate policy
lr_policy: "inv" # 學習速率的更新模式
# inv: return base_lr * (1 + gamma * iter) ^ (- power) 此方法可逐漸降低學習速率，防止發散
gamma: 0.0001
power: 0.75
# Display every 100 iterations
display: 100 # 100次顯示一次當前的loss
# The maximum number of iterations
max_iter: 10000 # 最多迭代10000次
# snapshot intermediate results
snapshot: 5000 # 5000次迭代儲存一次模型
snapshot_prefix: "examples/mnist/lenet"
# solver mode: CPU or GPU
solver_mode: GPU # 使用GPU訓練

上面的註釋解釋了這些設定的含義。總結一下，在Caffe中想要訓練一個網路，必須提供下面這些東西：

  • 資料（LMDB方式儲存）
  • 網路結構的定義
  • 網路的solver（其中有個引數net的值即為網路結構定義檔案）

5 訓練LeNet模型

訓練模型非常簡單。編譯Caffe時已經在目錄$CAFFE_ROOT/build/tools目錄下生成了一個名為caffe的可執行檔案，它就是我們用於訓練網路的工具，輸入如下命令進行訓練：

$ cd $CAFFE_ROOT
$ ./build/tools/caffe train --solver=examples/mnist/lenet_solver.prototxt

當然你也可以使用caffe寫好的訓練指令碼（內容和上面的差不多）：

$ ./examples/mnist/train_lenet.sh

然後你就會看到刷拉拉地一行行訓練資訊不停地顯示出來。MNIST資料集不大，很快就能訓練完成。

下一篇文章：待續

相關推薦

Caffe簡明教程5：訓練你的第一個Caffe模型-MNIST分類器

如果你已經根據前面幾篇文章成功地編譯了Caffe，那麼現在是時候訓練你的第一個模型了。我準備借用Caffe官網的LeNet例子來寫這篇文章，您也可以訪問原始的文件：Training LeNet on MNIST with Caffe Caffe在

node.js零基礎詳細教程(5)：express 、 路由

講解 打開 .com json -1 mod 設置圖 後臺 var 第五章 建議學習時間4小時 課程共10章 學習方式：詳細閱讀，並手動實現相關代碼 學習目標：此教程將教會大家 安裝Node、搭建服務器、express、mysql、mongodb、編寫後臺業務邏輯、編

tensorflow基本教程5：層的建立

#如何建立神經網路的結構：層 import tensorflow as tf import numpy as np def add_layer(inputs,in_size,out_size,activation_function=None):     Weights=tf.

UI設計教程分享：讓你徹底讀懂字型

一份普普通通、規規矩矩的設計 一份讓人印象深刻、新穎有趣的設計   差在哪？其實就差在三個字上！ “優秀的設計不是每一個細節都有亮點，而是弱化其他元素，讓某一個亮點最大化。”   今天“驫叔的設計心得”就來總結一下關於“字”的心得。 在設計和選擇字型前，我們要先想

【AI實戰】訓練第一個AI模型：MNIST手寫數字識別模型

在上篇文章中，我們已經把AI的基礎環境搭建好了（見文章：Ubuntu + conda + tensorflow + GPU + pycharm搭建AI基礎環境），接下來將基於tensorflow訓練第一個AI模型：MNIST手寫數字識別模型。 MNIST是一個經典的手寫數字資料集，來自美國國家

Mixin 開發簡明教程 1：寫個機器人

我是 @lyric，本教程應 Mixin COO @薄荷 邀約而寫，旨在向區塊鏈領域以外的工程師們介紹如何以依託 Mixin Network，用最簡單的方式開發自己的區塊鏈應用程式。 本文是系列教程的第一篇，如果對本文感興趣，你可以： 訂閱我的部落格 lyric.im 訂閱我的

Sagit.Framework For IOS 開發框架入門教程5：訊息彈窗STMsgBox

前言： 昨天剛寫了一篇IT連創業的文章：IT連創業系列：產品設計之答題模組，（歡迎大夥關注！） 感覺好久沒寫IOS的文章了，今天趁機，來補一篇，Sagit的教程。 今天主要是分享訊息彈窗功能，即STMsgBox的用法： STMsgBox為彈窗相關的功能的原始碼。 1､對外API功能呼叫說明：

Caffe原始碼解析5：Conv_Layer

Vision_layer裡面主要是包括了一些關於一些視覺上的操作，比如卷積、反捲積、池化等等。這裡的類跟data layer一樣好很多種繼承關係。主要包括了這幾個類，其中CuDNN分別是CUDA版本，這裡先不討論，在這裡先討論ConvolutionLayer BaseConvolutionLayer Co

訓練第一個AI模型：MNIST手寫數字識別模型

在上篇文章中，我們已經把AI的基礎環境搭建好了（見文章：Ubuntu + conda + tensorflow + GPU + pycharm搭建AI基礎環境），接下來將基於tensorflow訓練第一個AI模型：MNIST手寫數字識別模型。 MNIST是一個經典的手寫數字資料集，來自美國國家

python機器學習庫scikit-learn簡明教程之：SVM支援向量機

1.獲得樣例資料 scikit-learn庫有一些標準的資料集，例如分類的數字集，波士頓房價迴歸資料集。 在下面，我們啟動Python直譯器，然後載入資料集。我們可以認為，美元符號後輸入python然

python機器學習庫scikit-learn簡明教程之：隨機森林

1.scikit-learn中的隨機森林 sklearn.ensemble模組中包含兩種基於隨機決策樹的平均演算法：隨機森林演算法和ExtraTrees的方法。這兩種演算法都是專為決策樹設計的包含混合

Java自學之路-Java中級教程-5：Spring元件物件註解@Component和屬性值註解@Value

除了註解@Autowired，還可以使用@Component註解，這個註解甚至可以把beans.xml中的bean全部省略。 如上，把beans.xml中的bean全部使用註釋符號註釋掉，或者直接把所有的bean刪除都可以。同時，Person、Head、Foot

python機器學習庫scikit-learn簡明教程之：AdaBoost演算法

1.AdaBoost簡介及原理 Adaboost是一種迭代演算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然後把這些弱分類器集合起來，構成一個更強的最終分類器（強分類器）。 Adab

Caffe傻瓜系列(9)：訓練和測試自己的圖片

在深度學習的實際應用中，我們經常用到的原始資料是圖片檔案，如jpg,jpeg,png,tif等格式的，而且有可能圖片的大小還不一致。而在caffe中經常使用的資料型別是lmdb或leveldb，因此就產生了這樣的一個問題：如何從原始圖片檔案轉換成caffe中能夠執行的db（leveldb/lmdb)檔

Unity 5.3 官方VR教程（二） 建立第一個VR專案

4.VR中的影象效果(Image Effect) 在VR專案中使用眾多影象效果是很奢侈的事情。考慮到你需要兩次渲染同一個場景（每隻眼睛一次），因此很多當前經常使用的影象效果對VR應用來說會很浪費，會嚴重影響遊戲的執行幀速。 因為VR將使用者的眼睛置入一個虛擬的空間，因此部分影象效果對VR來說沒有任何意義。

Arduino教程5：製作流水燈

目錄前言物品清單硬體連線程式講解思考與嘗試前言    在這一篇文章中我將帶大家做一個簡單而且又有趣好玩的東西——流水燈，在製作的過程中我們將學習如何使用Arduino進行數字輸出（開關LED燈）並瞭解如何通過程式實現多個LED燈有順序的點亮與熄滅。物品清單    arduin

創建Vue.js對象：我的第一個Vue.js輸出信息

增加 body prime utf 創建 src 多個 load rime <!DOCTYPE html><html><head><meta charset=”utf-8″><title

五分鐘學習React(二)：我的第一個Hello World

pre 模板 介紹 現在 gpo 定義 back 解釋 一個 我的第一個React應用 接著我們上一期所講的內容，通過create-react-app腳手架創建的應用，它是基於ES6的語法生成的。我們清空src目錄下的文件，並分別創建index.js和index.css文

docker：搭建年輕人第一個LNMP網站平臺

docker docker lnmp docker nginx docker php 1.背景 ?LNMP為（linux系統、nginx服務、mysql服務、php服務）組合而成，本次練習所使用的鏡像均為docker官方鏡像源 https://hub.docker.com ，鏡像介紹如下：

【小說連載】網絡紅顏（一）：當你遇到一個不收錢的出租車司機

網絡 美女 職場 生活 小說 簡介：這是一段描寫網絡工程師生活的故事。故事中沒有英雄，沒有勵誌，也沒有所謂的雞湯文化和狼性文化。有的，或許是一種對技術的執著，對愛情的渴望或者是對名利的一種追求，但又能追求到什麽呢？聲明：本故事所出現的人名，公司名均為虛構，如有雷同恰屬巧合小說將在本站博客和