Debug:
通常称为调试版本，通过编译选项的配合，编译的结果通常包含调试信息，可以设置断点、单步调试、使用TRACE\ASSERT等调试输出语句并且编译器不会对代码进行任何优化，可以使开发人员提供强大的应用程序调试能力。
Release：
通常称为发布版本，是为了用户的使用，一般发布版本上不允许进行调试，所以Release版本通常不包含调试信息，同时，它往往进行了各种优化，以期达到代码量最小和效率最高的目的。
Debug版本程序通常比Release版本程序慢，尤其是在处理视频方面。在Release模式对程序进行挑食时候经常会遇到变量虽然已经初始化，但是在查看其值的时候却发现是一个随机数，而并不是已经初始化的值，有时候在对变量进行监视的时候，会出现找不到变量的情况，具体原因如下；
Debug跟Release在初始化变量时所做的操作是不同的。
Debug是将每个字结尾都赋为0xcc，而Release的赋值近似于随机。如果程序中的某个变量没被初始化就被引用，就很有可能出现异常：用作控制变量将导致流程导向不一致；用作数组下标会使程序崩溃；更加可能是造成其他变量的不准确而引起其他的错误。所以变量声明后马上对其初始化一个默认的值是最简单有效的办法。
代码存在错误在debug方式下可能会被忽略而不被察觉到，Debug方式下数组越界在有的情况下也不会出错，但是在Release版本中就会暴露出来。
图片在减均值后，会提高训练与预测的精度和速度。
1、二进制格式的均值计算 ../caffe/build/tools/Release/compute_image_mean ../file_name_lmdb /../mean.binaryproto 具体命令如上。
2、Python格式的均值计算 需要用到Python接口或者进行特征可视化，需要Python格式的均值文件。 具体Python脚本如下：
import numpy as np import sys,caffe if len(sys.argv)!=3: print "Usage: python convert_mean.py mean.binaryproto mean.npy" sys.exit() blob = caffe.proto.caffe_pb2.BlobProto() bin_mean = open( sys.argv[1] , 'rb' ).read() blob.ParseFromString(bin_mean) arr = np.array( caffe.io.blobproto_to_array(blob) ) npy_mean = arr[0] np.save( sys.argv[2] , npy_mean ) 两个参数： 1、mean.binaryproto 二进制均值文件保存路径和文件名 2、mean.npy Python格式的均值文件保存路径和文件名
在训练Caffe模型的时候，可能会根据需要做一些对于Caffe加载模型时日志的显示，代码如下:
os.environ['GLOG_minloglevel'] = '2' import caffe 具体的日志级别如下：
0 - debug 1 - info (still a LOT of outputs) 2 - warnings 3 - errors
总体的安装步骤按照官方文档或是windows10下用ninja编译配置caffe 在编译caffe实验环境的时候。应当对build_win.cmd中的内容进行相应的修改。
但是我在按照文章中进行编译时，会有一些错误，下面进行说明：
1、由于在官方知道说明文件中需要利用ninja来进行编译，目的是减少编译的时间，但是不知道我的电脑为什么，使用ninja编译的时候来时会报错： ninja: build stopped: subcommand failed.
2、同时在进行ninja指令单独执行的时候后，会出现错误： ninja: error: loading 'build.ninja': 系统找不到指定的文件。的错误。 但是按照我找到的一篇直接利用 Python+ git编译ninjawindows 安装ninja的文章编译后，生成的文件夹中使用ninja时不会报出该错误。 所以猜测，可能是ninja的用法有误。 解决方法： 在编译caffe的时候修改build_win.cmd文件中控制是否用ninja的参数，如下：
:: Change to 1 to use Ninja generator (builds much faster) if NOT DEFINED WITH_NINJA set WITH_NINJA=0 将 = 号后原本为1 的内容改为 0，利用GCC去编译。 虽然时间会稍微久一点，但是不影响后续的使用。
除此之外，在进行build_win.cmd的时候，由于限于我国特殊国情，所以有些prebuild的组件下不下来，鉴于此我找到了github的一个链接，可以把它下下来放在相应的文件夹内，Caffe: Problem in downloading prebuilt dependenies #5679
1. Train阶段 2. Test阶段 root_to_caffe/build/tools/caffe test
-model 指定模型描述文件文本
-weights 使用权重model
-gpu 选用gpu设备
-log_dir 保存log位置
待更新
准备工作：
在github上注册用户
下载git installer后（下载地址）
打开终端（在launchpad中搜索“终端”）
检查是否存在ssh，语句：cd ~/.ssh若提示没有该文件夹（-bash:cd: ～/.ssh: No such file or directory）
输入：ssh－keygen －t rsa －C youremailaddress
在-C 后输入你注册github时候的邮箱
命令执行成功之后，会出现以下提示，根据提示进行相应设置
Generating public/private rsa key pair. Enter file in which to save the key (/Users/username/.ssh/id_rsa):（默认路径，不填写则不更改） Created directory '/Users/username/.ssh'. Enter passphrase (empty for no passphrase):（在这里输入你的密码，4位以上） Enter same passphrase again:（重新输入确认） Your identification has been saved in /Users/username/.ssh/id_rsa. Your public key has been saved in /Users/username/.ssh/id_rsa.pub.（保存配置文件id_rsa.pub路径） The key fingerprint image SHA256:7Z2+JerI9it0bDxXeL++WxsU/I8ETlGzgATtXOwU4+4 email@address.com The key's randomart image is: +---[RSA 2048]----+ | .
在Windows10下利用Caffe的Python接口进行绘制神经网络模型图时，出现了如下问题：
1. 无法加载pydot
解决方法：
在安装了Anconda的前提下使用
conda install pydot
但是由于conda设置之类的事情说是没办法找到相应的channel和下载文件。Google了一下，发现需要提前安装一下graphviz，于是：
conda install graphviz
安装成功之后继续：
conda install pydot
发现还是出错了，头皮发麻，用了pip：
pip install pydot
终于提示安装成功。
至此解决了pydot和graphviz的问题。
2. 运行draw_net.py后有报错
pydot find_graphviz = pydot.graphviz.find_graphviz 'module' object has no attribute 'graphviz' 这个看了draw_net.py的源码，把文件中所有相应的pydot.graphviz改为pydot即可。
可能是由于pydot的版本不一样造成的结果。
1. 首先准备一下原始数据 # *-* coding: utf-8 *-* import pickle import numpy as np # 划分类别的边界 def cos_curve(x): return 0.25*np.sin(2*x*np.pi+0.5*np.pi) + 0.5 # samples保存二维点的坐标，labels标明类别 np.random.seed(123) samples = [] labels = [] # 单位空间内平均样本数为50 sample_density = 50 for i in range(sample_density): x1, x2 = np.random.random(2) # 计算当前x1对应的分类边界 bound = cos_curve(x1) # 为了方便可视化，舍弃太靠近边界的样本 if bound - 0.1 < x2 <= bound + 0.1: continue else: samples.append((x1, x2)) # 打标签，上半部分为1，下半部分为2 if x2 > bound: labels.
Lenet-5网络结构示意图: 第一层：输入层32x32（28x28）大小的图像。明显特征能够出现在最高层特征监测子感受野的中心。（笔画断续、角点）
第二层：C1，卷积层。原始信号特征增强，降低噪音，不同的卷积核能够提取到不同的图像特征。
feature map个数：6个 32 * 32
conv kernel大小：5 * 5
神经元个数：(32 - 5 + 1) * (32 - 5 + 1) = 28 * 28
训练参数个数： (5 * 5 + 1) * 6 = 156
连接数： (5 * 5 + 1)* (28 * 28) * 6 = 122304
第三层：S2，下采样层。降低网络训练参数和模型的过拟合程度。两种方法：均值、最大值。
feature map个数：6个14 * 14，与C1中的2 * 2的区域相连。
神经元计算：sigmoid (2 * 2 的输入相加 * 一个训练参数 + 该feature map的bias)
