Caffe默認情況會安裝在CAFFERROOT，就是解壓到那個目錄，例如：

home/username/caffe-master，

所以下面的工作，默認已經切換到了該工作目錄。下面的工作主要是，用于測試Caffe是否工作正常，不做詳細評估。具體設置請參考官網 ： http://caffe.berkeleyvision.org/gathered/examples/mnist.html

1. 數據預處理 可以用下載好的數據集，也可以重新下載，我網速快，這里就偷懶直接下載了，具體操作如下： $ cd data/mnist $ sudo sh ./get_mnist.sh
2. 重建LDB文件，就是處理二進制數據集為Caffe識別的數據集，以后所有的數據，包括jpe文件都要處理成這個格式 $ cd examples/mnist $ sudo sh ./create_mnist.sh （sudo sh examples/mnist/create_mnist.sh）
生成mnist-train-leveldb/ 和 mnist-test-leveldb/文件夾，這里包含了LDB格式的數據集 PS: 這里可能會遇到一個報錯信息： Creating lmdb... ./create_mnist.sh: 16: ./create_mnist.sh: build/examples/mnist/convert_mnist_data.bin: not found

解決方法是，直接到Caffe-master的根目錄執行，實際上新版的Caffe，基本上都得從根目錄執行。 ~/caffe-master$ sudo sh examples/mnist/create_mnist.sh
3. 訓練mnist $ sudo sh examples/mnist/train_lenet.sh
至此，Caffe安裝的所有步驟完結，下面是一組簡單的數據對比，實驗來源于MNIST數據集，主要是考察一下不同系統下CPU和GPU的性能。可以看到明顯的差別了，雖然MNIST數據集很簡單，相信復雜得數據集，差別會更大，Ubuntu+GPU是唯一的選擇了。
????????????????
測試平臺：i7-4770K/16G/GTX 770/CUDA 6.5 ????????????????MNIST Windows8.1 on CPU：620s ????????????????MNIST Windows8.1 on GPU：190s ????????????????MNIST Ubuntu 14.04 on CPU：270s ????????????????MNIST Ubuntu 14.04 on GPU：160s ????????????????MNIST Ubuntu 14.04 on GPU with cuDNN：35s ????????????????Cifar10_full on GPU wihtout cuDNN：73m45s = 4428s　（Iteration 70000） ????????????????Cifar10_full on GPU with cuDNN：20m7s = 1207s　（Iteration 70000）

總結

以上是生活随笔為你收集整理的caffe学习笔记--跑个SampleCode的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。