Ubuntu 16.04 调试caffe深度学习框架

关于caffe的安装百度,教程满天飞,不过有一点提一下,双系统 双显卡 (笔记本)在Ubuntu安装英伟达显卡的时候图形界面可能会挂掉,这个问题在Ubuntu 16.04得到初步解决,网上有一篇笔记本安装caffe有提到过,但是怎么都找不到了。。。。

调试编辑器为Virtual Studio Code微软的生产的编辑器。挺好用的,

如图这是我安装的插件第一个比较重要,可以使用gdb调试caffe。进入caffe跟文件夹修改

Make.config 中的#DEBUG := 1 #号去掉 然后保存,重新编译即可。

以调试examples/cpp_classification为例。

给出我的launch.json配置文件

{
    "version": "0.2.0",
    "configurations": [

        {
            "name": "(gdb) Launch",
            "type": "cppdbg",
            "request": "launch",
            "args": ["models/bvlc_reference_caffenet/deploy.prototxt",
                "models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel",
                "data/ilsvrc12/imagenet_mean.binaryproto",
                "data/ilsvrc12/synset_words.txt",
                "examples/images/cat.jpg"],
            "program": "${workspaceRoot}/build/examples/cpp_classification/classification.bin",
            "stopAtEntry": false,
            "cwd": "/home/kellygod/caffe/",
            "environment": [],
            "externalConsole": true,
            "MIMode": "gdb",
            "setupCommands": [
                {
                    "description": "Enable pretty-printing for gdb",
                    "text": "-enable-pretty-printing",
                    "ignoreFailures": true
                }
            ]
        }
    ]
}

cwd为运行的根目录 把他指定为caffe根目录方便调试。

program 为可执行程序路径,caffe默认生成到{caffe_root}/build/xxx

args 为启动参数,我为什么这么写? 因为example 的README就是这么说的,跑跑demo。

之后的话就可以像visual Studio 那样了 F9给文本下断点,单步调试 观看变量状态啥的,当然 了 大牛也可以直接使用gdb命令行调试。

如图已经进入断点了, 可以跟踪函数了。。。

End

时间: 2024-12-28 00:49:21

Ubuntu 16.04 调试caffe深度学习框架的相关文章

Ubuntu 14.04 安装caffe深度学习框架

简介:如何在ubuntu 14.04 下安装caffe深度学习框架. 注:安装caffe时一定要保持网络状态好,不然会遇到很多麻烦.例如下载不了,各种报错. 一.安装依赖包 $ sudo apt-get install git$ sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler $ sudo apt-get ins

Caffe 深度学习框架上手教程

本文来源:http://suanfazu.com/t/caffe/281 本文的主要目的保存一个链接,建议阅读原文. Caffe(Convolutional Architecture for Fast Feature Embedding)是一个清晰而高效的深度学习框架,其作者是博士毕业于UC Berkeley的 贾扬清,目前在Google工作. Caffe是纯粹的C++/CUDA架构,支持命令行.Python和MATLAB接口:可以在CPU和GPU直接无缝切换: Caffe::set_mode(

Caffe 深度学习框架介绍

转自:http://suanfazu.com/t/caffe/281 Caffe是一个清晰而高效的深度学习框架,其作者是博士毕业于UC Berkeley的贾扬清,目前在Google工作. Caffe是纯粹的C++/CUDA架构,支持命令行.Python和MATLAB接口:可以在CPU和GPU直接无缝切换: Caffe::set_mode(Caffe::GPU); Caffe的优势 上手快:模型与相应优化都是以文本形式而非代码形式给出.Caffe给出了模型的定义.最优化设置以及预训练的权重,方便立

ubuntu16.04下安装深度学习框架

1.Pytorch 下载anaconda,最新的即可,https://www.anaconda.com/download/#linux,命令:sh Anaconda3-5.3.0-Linux-x86_64.sh 修改配置源,添加清华源或科大源等,命令:conda config --prepend channels http://mirrors.ustc.edu.cn/anaconda/pkgs/free/, conda config --prepend channels https://mirr

安装 Win10 & Ubuntu 16.04 双系统以及 Ubuntu 配置深度学习环境记录

0. 前言 坑爹的Ubuntu晚上运行还是好好的,第二天中午的时候打开机器发现屏幕分辨率不正常了:2K屏显示800*600左右的分辨率(无法调节),一个图标一拳头大,窗口和网页显示不全.Google查了一下发现可能是nvidia显卡驱动坏了(真的脆),照着几个博客搞了一下还尼玛进不去系统,一直循环登录了???之后又折腾了一整个下午,最后的结果是,重装显卡驱动一直失败:PPA装显示connect不上.run文件装显示build kernel module error.反正我也是不管什么奇怪的配置问

深度学习 GPU环境 Ubuntu 16.04 + Nvidia GTX 1080 + Python 3.6 + CUDA 9.0 + cuDNN 7.1 + TensorFlow 1.6 环境配置

本节详细说明一下深度学习环境配置,Ubuntu 16.04 + Nvidia GTX 1080 + Python 3.6 + CUDA 9.0 + cuDNN 7.1 + TensorFlow 1.6. Python 3.6 首先安装 Python 3.6,这里使用 Anaconda 3 来安装,下载地址:https://www.anaconda.com/download/#linux,点击 Download 按钮下载即可,这里下载的是 Anaconda 3-5.1 版本,如果下载速度过慢可以选

Ubuntu 16.04系统下CUDA8.0配置Caffe教程

由于最近安装了Ubuntu 16.04,本文教程的特点是不需要降级gcc的版本,毕竟cuda8.0已经支持gcc5以上(默认不支持,实际支持). 本文是在参考caffe官网教程以及http://www.linuxidc.com/Linux/2015-07/120449.htm结合自己总结经验而来,对此表示感谢. Ubuntu 14.04安装Nvidia CUDA7.5并搭建Python Theano深度学习开发环境http://www.linuxidc.com/Linux/2015-09/123

深度学习框架Caffe的编译安装

深度学习框架caffe特点,富有表达性.快速.模块化.下面介绍caffe如何在Ubuntu上编译安装. 1. 前提条件 安装依赖的软件包: CUDA 用来使用GPU模式计算. 建议使用 7.0 以上最新的版本 BLAS via ATLAS, MKL, or OpenBLAS. Boost >= 1.55 protobuf, glog, gflags, hdf5 可选依赖软件包: OpenCV >= 2.4 including 3.0 IO libraries: lmdb, leveldb (n

深度学习框架哪家强:TensorFlow?Caffe?MXNet?Keras?PyTorch?

深度学习框架哪家强:TensorFlow?Caffe?MXNet?Keras?PyTorch?对于这几大框架在运行各项深度任务时的性能差异如何,各位读者不免会有所好奇. 微软数据科学家Ilia Karmanov最新测试的结果显示,亚马逊MXNet在CNN.RNN与NLP情感分析任务上性能强劲,而TensorFlow仅擅长于特征提取. 测试详情更新在Ilia Karmanov的GitHub项目DeepLearningFrameworks(https://github.com/ilkarman/De