caffe深度学习框架Caffe到底是怎么支持ResNet的

caffe深度学习需要什么机器配置

看你的需求了，如果想跑大一点的神经网络（e.g. AlexNet），最好是用GTX 770或更好的Titan, K40等GPU。

如果只是MNIST上跑着玩一般的卡就可以。

对CPU没有太多要求。

内存再加大点，配个支持gpu计算的显卡，而且显卡的内存要大于3g

怎样在caffe上搭建自己的网络

Caffe是目前深度学习比较优秀好用的一个开源库，采样c++和CUDA实现，具有速度快，模型定义方便等优点。

学习了几天过后，发现也有一个不方便的地方，就是在我的程序中调用Caffe做图像分类没有直接的接口。

Caffe的数据层可以从数据库（支持leveldb...

keras和caffe的区别

最近刚开始使用theano, 经验不多，连个基本的模型都跑不通，于是去看了下Keras，源码比较简洁，可以当作theano的示例教程来看，感受如下： 1. 文档看似很全，每个layer是干啥的，每个参数是啥都写了，但是不去读代码，实际很多人是无法从文档理解其具体用法的。

这点看issue里的讨论里可以看出。

同样，example似乎很多，而且都能直接run，还都是real world的数据集，看似很好，但是实际上，对于新手，如果需要的模型跟example里的不完全一样，不容易搞懂到底需要把输入输出的数据搞成啥格式。

举个例子，example都是做的classification的，没有做sequence labeling的例子，如果想拿来做个pos tagging，不知道数据如何组织。

当然，这些其实花一天读下代码或者好好翻翻issue讨论就可以解决了，但我相信不少人不会去认真读代码或者看讨论，而是直接换个工具。

我感觉目前的doc只有懂了代码的人才能看懂，不懂得看文档还是没啥用。

2. 2.项目很简单所以开发者不多，但是很活跃，每天都有新东西加进去。

今天增加了一个新的分支后端可以用theano或者tensorflow了，不过貌似由于不支持scan，backend用tensorflow的没实现recurrent layer。

他们也意识到文档的问题，觉得需要为小白用户多加点tutorial而不是光给develop看。

3. 我没用过其他的framework，仅说keras 拿来学习theano基本用法，很不错 库本身的代码，比较简单易读，我作为python菜鸟，也能看懂。

目前model有sequential和grapgh两种，前者并不是指recurrent而是说网络是一层层堆的（也包括recurrent）.其他的主要概念包括layer，regularizer, optimizer,objective都分离开。

layer用于build每层的输出函数，model会用最后一层的输出，根据objective和每个layer的regularizer来确定最终的cost，然后在update时用optimizer来更新参数。

把这四个看下加上model里的fit函数，就会用theano啦。

很多模型都能cover，seq2seq这种也有现成的可用。

建议不要光看example，多看看github上的 issues讨论，实在找不到，直接提问。

效率方面，我不懂theano怎么优化，感觉keras的这种封装，没什么成本，跟自己用原生theano是一样的。

当然，theano本身就好慢啊。

。

估计是我不懂用吧。

。

caffe与opencv相比有什么特点

caffe是一个清晰，可读性高，快速的深度学习框架。

OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。

它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。

如何使用caffe来做人脸识别

数据库，像题主这样的数据集，传统的手工特征完全足够，不需要用CNN，DL吃数据，现在比较大的人脸数据集，casia webface database，需要申请Center for Biometrics and Security Research Center for Biometrics and Security Research；然后港中大也有一个人脸数据集；最近还有一个MegaFace，但是目前好像还不能下载MegaFace

深度学习框架Caffe到底是怎么支持ResNet的

Caffe层的学习由2部分组成：层属性与层参数，例如 ? 1 2 3 4 5 6 7 8 9 10 11 12 name:"conv1" type:CONVOLUTION bottom:"data" top:"conv1" convolution_param{ num_output:20 kernel_size:5 stride:1 weight_filler{ type: "xavier" } } 这段配置文件的前4行是层属性，定义了层名称、层类型以及层连接结构（输入blob和输出blob）；而后半部分是各种层参数。

Blob Blob是用以存储数据的4维数组，例如 对于数据：Number*Channel*Height*Width 对于卷积权重：Output*Input*Height*Width 对于卷积偏置：Output*1*1*1