最初一直使用window7 + tensorflow-gpu版本，用anaconda一鍵配置，傻瓜式的方法，但出問題了除錯困難。
因學習需要，安裝好了ubuntu + caffe，在linux下進行訓練不僅可以增加對軟體原理的理解，也有助於提高碼農等級。
（詳細內容： ）
1.獲取資料，./data/mnist/get_mnist.sh
2.轉換格式，./examples/mnist/create_mnist.sh（給予許可權chmod 777 *.sh)
3.使用letnet網路，資料層、卷積層、池化層、啟用層和全連線層（letnet_train_test.prototxt)
4.配置訓練引數，learning—rate,batch_size,epoch等等，（letnet_solver.prototxt)
5.新建資料夾儲存模型，修改letnet_solver.prototxt中snapshot_prefix路徑
6.使用train_lenet.sh進行訓練
7.使用模型引數進行測試（./build/tools/caffe.bin test -model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/model/lenet_iter_10000.caffemodel -gpu=0）
當然，這是乙個最簡單的例子，在這個使用過程中並沒有設計到資料預處理，網路結構配置和調參工作，但從這個例子中我們可以看到caffe設計的理念：
Caffe學習筆記 Caffe模型
乙個完整的深度學習系統最核心的兩個方面是資料和模型。深度學習模型通常由三部分引數組成 可學習引數 learnable parameter 又稱可訓練引數 神經網路權係數 權重，其數值由模型初始化引數 誤差反向傳播過程控制，一般不可人工干預。結構引數 archetecture parameter 包括...
Caffe使用教程
by shicai yang 星空下的巫師 on 2015 08 06 include caffe caffe.hpp include include using namespace caffe char proto h models caffe deploy.prototxt 載入caffenet...
Caffe安裝 使用
caffe作為cnn的乙個具體部署開源 框架，已經被眾多實驗室使用，其中比較多的有rcnn。本部落格旨在匯集一些關於理解caffe框架及部署過程的部落格，如果有不全面的地方請大家指正。關於如何閱讀caffe，這文章 中有比較好的總結提出。同時對於caffe的總體框架及各部件的關係及作用在 中給出了比...