matlab调试caffe,在matlab下调试caffe -凯发k8官方网

caffe本身是c 、cuda语言编写的。在调试模型、参数时，根据运行log、snapshot很难实时反馈当前训练的权值情况，也难以捕捉算法存在的bug。

matlab则是非常适合算法设计、快速迭代的利器，只需要做少量工作就能编写出复杂的算法，调试非常方便，位于workspace中的变量随时都能打印，无论是一维、二维还是三维数据，都能直观显示，从而有利于定位算法设计问题，减少调试时间。

caffe中有两种wrapper：python和matlab。python是开源工具，用户无需付费即可使用，缺点是语法不够灵活，尤其算法描述，与商业软件不能比。matlab支持几乎你所知道的所有矩阵变换、数值计算、随机过程、概率论、最优化、自适应滤波、图像处理、神经网络等算法。

下面介绍如何用matlab调试caffe。本文假设操作系统为ubuntu 14.04.1  64bit .

1. 安装matlab r2014a

安装步骤类似windows，不表。安装到~/matlab/，~/.bashrc中添加 export path=~/matlab/bin:$path

2.  安装caffe

如果你希望自己编译依赖，可以到这里下载caffe所有依赖包(http://yunpan.taobao.com/s/1i1txcpysk3，提取码：yuqzm1)

3. 编译 matcaffe

修改makefile.config，加上这一句：

matlab_dir := ～/matlab

之后

make matcaffe

生成了 matlab/ caffe/private/caffe_.mex64，可以直接被matlab调用。

4. 运行matlab例子

在命令行中，配置好caffe运行所需要的环境变量后(否则matcaffe会运行失败)，输入matlab&，这样就启动了matlab窗口。

在matlab命令窗口中进行以下步骤。

>> cd caffe_root_directory/

切换到了caffe根目录。

>> addpath('./matlab/ caffe/private');

添加matcaffe模块所在路径到matlab搜索路径，便于加载。

>> cd matlab/demo/

切到demo目录。

>> im = imread('../../examples/images/cat.jpg');

读取一张测试图片。

>> figure;imshow(im);

弹出一个窗口，显示猫的测试图片如下：

>> [scores, maxlabel] = classification_demo(im, 1);

elapsed time is 0.533388 seconds.

elapsed time is 0.511420 seconds.

cleared 0 solvers and 1 stand-alone nets

运行分类demo程序。分类的结果返回到scores，maxlabel两个工作空间变量中。

>> maxlabel

maxlabel =

282

说明最大分类概率的标签号为282，查找imagenet标签，对应的是n02123045 tabby, tabby cat(data/ilsvrc2012/synset_words.txt)

>> figure;plot(scores);

>> axis([0, 999, -0.1, 0.5]);

>> grid on

打印scores，一维图像如下：

说明这张图片被分到第282类的概率为0.2985。

到这里我们只是运行了简单的demo，接下来分析classification_demo.m这个文件内容。

function [scores, maxlabel] = classification_demo(im, use_gpu)

% [scores, maxlabel] = classification_demo(im, use_gpu)

% 使用bvlc caffenet进行图像分类的示例

% 重要：运行前，应首先从model zoo(http://caffe.berkeleyvision.org/model_zoo.html) 下载bvlc caffenet训练好的权值

%

% ****************************************************************************

% for detailed documentation and usage on caffe's matlab interface, please

% refer to caffe interface tutorial at

% http://caffe.berkeleyvision.org/tutorial/interfaces.html#matlab

% ****************************************************************************

%

% input

%   im       color image as uint8 hxwx3

%   use_gpu  1 to use the gpu, 0 to use the cpu

%

% output

%   scores   1000-dimensional ilsvrc score vector

%   maxlabel the label of the highest score

%

% you may need to do the following before you start matlab:

%  $ export ld_library_path=/opt/intel/mkl/lib/intel64:/usr/local/cuda-5.5/lib64

%  $ export ld_preload=/usr/lib/x86_64-linux-gnu/libstdc .so.6

% or the equivalent based on where things are installed on your system

%

% usage:

%  im = imread('../../examples/images/cat.jpg');

%  scores = classification_demo(im, 1);

%  [score, class] = max(scores);

% five things to be aware of:

%   caffe uses row-major order

%   matlab uses column-major order

%   caffe uses bgr color channel order

%   matlab uses rgb color channel order

%   images need to have the data mean subtracted

% data coming in from matlab needs to be in the order

%   [width, height, channels, images]

% where width is the fastest dimension.

% here is the rough matlab for putting image data into the correct

% format in w x h x c with bgr channels:

%   % permute channels from rgb to bgr

%   im_data = im(:, :, [3, 2, 1]);

%   % flip width and height to make width the fastest dimension

%   im_data = permute(im_data, [2, 1, 3]);

%   % convert from uint8 to single

%   im_data = single(im_data);

%   % reshape to a fixed size (e.g., 227x227).

%   im_data = imresize(im_data, [image_dim image_dim], 'bilinear');

%   % subtract mean_data (already in w x h x c with bgr channels)

%   im_data = im_data - mean_data;

% if you have multiple images, cat them with cat(4, ...)

% add caffe/matlab to you matlab search path to use matcaffe

if exist('../ caffe', 'dir')

addpath('..');

else

error('please run this demo from caffe/matlab/demo');

end

% set caffe mode

if exist('use_gpu', 'var') && use_gpu

caffe.set_mode_gpu();

gpu_id = 0;  % we will use the first gpu in this demo

caffe.set_device(gpu_id);

else

caffe.set_mode_cpu();

end

% initialize the network using bvlc caffenet for image classification

% weights (parameter) file needs to be downloaded from model zoo.

model_dir = '../../models/bvlc_reference_caffenet/';    % 模型所在目录

net_model = [model_dir 'deploy.prototxt'];              % 模型描述文件，注意是deploy.prototxt，不包含data layers

net_weights = [model_dir 'bvlc_reference_caffenet.caffemodel'];   % 模型权值文件，需要预先下载到这里

phase = 'test'; % run with phase test (so that dropout isn't applied)   % 只进行分类，不做训练

if ~exist(net_weights, 'file')

error('please download caffenet from model zoo before you run this demo');

end

% initialize a network

net = caffe.net(net_model, net_weights, phase);   % 初始化网络

if nargin 

% for demo purposes we will use the cat image

fprintf('using caffe/examples/images/cat.jpg as input image\n');

im = imread('../../examples/images/cat.jpg');    % 获取输入图像

end

% prepare oversampled input

% input_data is height x width x channel x num

tic;

input_data = {prepare_image(im)};         % 图像冗余处理

toc;

% do forward pass to get scores

% scores are now channels x num, where channels == 1000

tic;

% the net forward function. it takes in a cell array of n-d arrays

% (where n == 4 here) containing data of input blob(s) and outputs a cell

% array containing data from output blob(s)

scores = net.forward(input_data);      %  分类，得到scores

toc;

scores = scores{1};

scores = mean(scores, 2);  % 取所有分类结果的平均值

[~, maxlabel] = max(scores);  % 找到最大概率对应的标签号

% call caffe.reset_all() to reset caffe

caffe.reset_all();

% ------------------------------------------------------------------------

function crops_data = prepare_image(im)

% ------------------------------------------------------------------------

% caffe/matlab/ caffe/imagenet/ilsvrc_2012_mean.mat contains mean_data that

% is already in w x h x c with bgr channels

d = load('../ caffe/imagenet/ilsvrc_2012_mean.mat');

mean_data = d.mean_data;

image_dim = 256;

cropped_dim = 227;

% convert an image returned by matlab's imread to im_data in caffe's data

% format: w x h x c with bgr channels

im_data = im(:, :, [3, 2, 1]);  % permute channels from rgb to bgr

im_data = permute(im_data, [2, 1, 3]);  % flip width and height

im_data = single(im_data);  % convert from uint8 to single

im_data = imresize(im_data, [image_dim image_dim], 'bilinear');  % resize im_data

im_data = im_data - mean_data;  % subtract mean_data (already in w x h x c, bgr)

% oversample (4 corners, center, and their x-axis flips)

crops_data = zeros(cropped_dim, cropped_dim, 3, 10, 'single');

indices = [0 image_dim-cropped_dim]   1;

n = 1;

for i = indices

for j = indices

crops_data(:, :, :, n) = im_data(i:i cropped_dim-1, j:j cropped_dim-1, :);

crops_data(:, :, :, n 5) = crops_data(end:-1:1, :, :, n);

n = n   1;

end

end

center = floor(indices(2) / 2)   1;

crops_data(:,:,:,5) = ...

im_data(center:center cropped_dim-1,center:center cropped_dim-1,:);

crops_data(:,:,:,10) = crops_data(end:-1:1, :, :, 5);

总结

以上是凯发k8官方网为你收集整理的matlab调试caffe,在matlab下调试caffe的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得凯发k8官方网网站内容还不错，欢迎将凯发k8官方网推荐给好友。