最近在研究caffe，前前後後差不多快一週了，論文看得比較少，直接上手來做的，期間遇到無數問題，大大小小的無數問題，不過通過上網，看別人的博客，幾乎踩了很多大坑，這裏給大家總結一下，希望後續同樣做深度學習的小夥伴能夠少踩點坑。在這裏，我就不做重複功了，具體的配置還有改動的地方我會引用別人的博客，然後補充說明這些博客介紹得並不全面的地方。
備註：以下內容會不定期更新，該篇博客主要對安裝caffe使用faster-rcnn中出現的問題進行分享，配置還有使用部分引用網上其它博客。
文件下載地址：鏈接：http://pan.baidu.com/s/1qYnjZCo 密碼：g7bo
實驗目的：實驗室最近要開始做深度學習，配置了一臺K80服務器，按現在的水平顯卡性能屬於中等偏上，不過做做實驗應該是夠了。最初打算先實現個最簡單的目標檢測，即人臉檢測，目的很簡單，就是輸入一張圖片，判斷有沒有人臉，並且把人臉部分用box給框出來。
實驗工具：caffe框架
faster-rcnn
主要語言：C++， Python
實驗步驟：
一、caffe框架的配置
這裏給出rbg大神在github上的地址：https://github.com/rbgirshick/py-faster-rcnn
這裏要注意，caffe的框架一定要使用rbg大神github上的版本，不建議使用伯克利大學維護的那一份caffe的代碼，具體的原因主要是，使用faster-rcnn方法的這個版本的caffe比較老，現在官方維護的那個版本改動了一些部分，而且rbg大神使用了Python layer來定義了caffe中的數據層（data layer），所以在編譯的時候需要將Python layer打開，這個之後會講到。按道理，config文件修改合理的話肯定不會出問題的，不過建議還是使用大神的版本，比較省事。
rbg大神的caffe配置參考這篇博客，http://www.cnblogs.com/louyihang-loves-baiyan/p/4885659.html#3573006
上面這是一篇fast-rcnn的配置博客，實在抱歉，前幾天我還找到一份faster-rcnn坑比較少的配置博客，今天怎麼翻都找不到了，這一篇雖然是fast-rcnn的配置博客，不過我剛剛仔細看了下，配置過程是同樣的，而且作者寫得很用心，可以避免不少彎路。
大概流程就是先到py-faster-rcnn-master文件下的caffe-fast-rcnn（可以再壞境變量中修改爲$FRCNN_CAFFE）,修改config文件，將博客中提到的地方都取消註釋，然後到py-faster-rcnn-master文件夾（環境變量中命名爲$FRCNN_ROOT）中的lib文件夾中，執行
cd $FRCN_ROOT/lib
make這裏需要注意下，確保你的Linux gcc的版本爲最新版，因爲版本比較老的話，編譯有個部分會出錯中斷。
接下來就是到$FRCNN_CAFFE中編譯caffe和pycaffe，執行命令
cd $FRCNN_CAFFE
make -j8 && make pycaffe至此，caffe框架的配置算是完成了。
二、運行faster-rcnn的demo
完成了配置以後，爲了驗證是否正確安裝，可以到$FRCNN_ROOT的tools文件夾中，對demo.py文件進行執行：
./demo.py這裏如果機器配置合適的話，就直接默認執行就好，因爲默認執行以後使用的是大型網絡vgg16，其他的參數主要爲：
def parse_args():
"""Parse input arguments."""
parser = argparse.ArgumentParser(description='Faster R-CNN demo')
parser.add_argument('--gpu', dest='gpu_id', help='GPU device id to use [0]',
default=0, type=int)
parser.add_argument('--cpu', dest='cpu_mode',
help='Use CPU mode (overrides --gpu)',
action='store_true')
parser.add_argument('--net', dest='demo_net', help='Network to use [vgg16]',
choices=NETS.keys(), default='vgg16')
args = parser.parse_args()
return args這個函數大家可以看到，能夠傳入示例腳本的有--gpu 這裏選擇使用哪一塊gpu，默認是0，傳入的參數是數字，也就是說，不能使用-a來制定使用所有的gpu核來進行訓練；--net參數，選擇你要使用的是哪一個網絡，網絡的腳本dict如下：
NETS = {'vgg16': ('VGG16',
'VGG16_faster_rcnn_final.caffemodel'),
'zf': ('ZF',
'ZF_faster_rcnn_final.caffemodel')}這裏提供一個格式，後面進行預測的時候可以去定製。
至此執行以後一般不會不會成功，應該說一定不會成功，還有faster-rcnn的caffemodel和prototxt文件還沒有下載，在$FRCNN_ROOT的data/script中有腳本，打開fetch_faster_rcnn_models.sh文件，按照上面引用博客裏面的方法，拿到鏈接地址以後使用下載工具去下載，這樣速度會快很多，prototxt文件在$FRCNN_ROOT的model中已經有文件存在了，到時候注意路徑選擇合適的文件就好了。（需要下載的文件已經放到網盤，大家可以下載）
至此，執行demo的示例步驟也結束了。
三、使用示例腳本對官方數據進行訓練
在$FRCNN_ROOT的experiments/script中有腳本可以使用，名字爲：faster_rcnn_end2end.sh，腳本里面需要下載的的數據集爲VOC2007，在上面提供的雲盤地址中有資源存在了，可供下載。將數據集可以下載到自己的硬盤裏面，然後把掛載的硬盤路徑通過軟鏈接鏈接到$FRCNN_ROOT的data/路徑中，這樣暫時在數據集上沒有問題了。
腳本中提供的路徑都不是正常的路徑，需要將全局變量添加進去，比如這一句：
LOG="experiments/logs/faster_rcnn_end2end_${NET}_${EXTRA_ARGS_SLUG}.txt.`date +'%Y-%m-%d_%H-%M-%S'`"系統中是不存在這個地址路徑的，需要在前面加上$FRCNN_ROOT，即爲：
LOG="$FRCNN_ROOT/experiments/logs/faster_rcnn_end2end_${NET}_${EXTRA_ARGS_SLUG}.txt.`date +'%Y-%m-%d_%H-%M-%S'`"其他地方也是類似，也可以在前面加上../../ 使用相對路徑來完成。
未完待續。。。。。
