qulay

菜鸟跑通caffe（三）——编译NVIDIA/caffe-0.13/0.14+digist

下载地址：

caffe-0.13和digits-2.2

https://github.com/NVIDIA/caffe/blob/caffe-0.13/docs/installation.md

https://github.com/NVIDIA/DIGITS/blob/digits-2.2/docs/InstallCaffe.md

Installation

Prior to installing, have a glance through this guide and take note of the details for your platform. We install and run Caffe on Ubuntu 14.04 and 12.04, OS X 10.10 / 10.9 / 10.8, and AWS. The official Makefile and de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >Makefile.configde> build are complemented by an automatic CMake build from the community.

Prerequisites
Compilation
Hardware
Platforms: Ubuntu guide, OS X guide, and RHEL / CentOS / Fedora guide

When updating Caffe, it's best to de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >make cleande> before re-compiling.

Prerequisites

Caffe has several dependencies.

CUDA is required for GPU mode.
- library version 7.0 and the latest driver version are recommended, but 6.* is fine too
- 5.5, and 5.0 are compatible but considered legacy
BLAS via ATLAS, MKL, or OpenBLAS.
Boost >= 1.55
OpenCV >= 2.4 including 3.0
de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >protobufde>, de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >glogde>, de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >gflagsde>
IO libraries de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >hdf5de>, de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >leveldbde>, de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >snappyde>, de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >lmdbde>

Pycaffe and Matcaffe interfaces have their own natural needs.

For Python Caffe: de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >Python 2.7de> or de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >Python 3.3+de>, de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >numpy (>= 1.7)de>, boost-provided de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >boost.pythonde>
For MATLAB Caffe: MATLAB with the de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >mexde> compiler.

cuDNN Caffe: for fastest operation Caffe is accelerated by drop-in integration of NVIDIA cuDNN. To speed up your Caffe models, install cuDNN then uncomment the de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >USE_CUDNN := 1de> flag in de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >Makefile.configde> when installing Caffe. Acceleration is automatic. For now cuDNN v1 is integrated but see PR #1731 for v2.

CPU-only Caffe: for cold-brewed CPU-only Caffe uncomment the de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >CPU_ONLY := 1de> flag in de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >Makefile.configde> to configure and build Caffe without CUDA. This is helpful for cloud or cluster deployment.

CUDA and BLAS

Caffe requires the CUDA de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >nvccde> compiler to compile its GPU code and CUDA driver for GPU operation. To install CUDA, go to the NVIDIA CUDA website and follow installation instructions there. Install the library and the latest standalone driver separately; the driver bundled with the library is usually out-of-date. Warning! The 331.* CUDA driver series has a critical performance issue: do not use it.

For best performance, Caffe can be accelerated by NVIDIA cuDNN. Register for free at the cuDNN site, install it, then continue with these installation instructions. To compile with cuDNN set the de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >USE_CUDNN := 1de> flag set in your de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >Makefile.configde>.

Caffe requires BLAS as the backend of its matrix and vector computations. There are several implementations of this library. The choice is yours:

ATLAS: free, open source, and so the default for Caffe.
Intel MKL: commercial and optimized for Intel CPUs, with a free trial and student licenses.
1. Install MKL.
2. Set de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >BLAS := mklde> in de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >Makefile.configde>
OpenBLAS: free and open source; this optimized and parallel BLAS could require more effort to install, although it might offer a speedup.
1. Install OpenBLAS
2. Set de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >BLAS := opende> in de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >Makefile.configde>

Python and/or MATLAB Caffe (optional)

Python

The main requirements are de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >numpyde> and de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >boost.pythonde> (provided by boost). de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >pandasde> is useful too and needed for some examples.

You can install the dependencies with

de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; word-break: normal; border: 0px; display: inline; overflow: visible; line-height: inherit; word-wrap: normal; background-color: transparent; background- initial; background-repeat: initial initial;"  >for req in $(cat requirements.txt); do pip install $req; done
de>

but we suggest first installing the Anaconda Python distribution, which provides most of the necessary packages, as well as thede style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >hdf5de> library dependency.

To import the de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >caffede> Python module after completing the installation, add the module directory to your de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >$PYTHONPATHde> byde style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >export PYTHONPATH=/path/to/caffe/python:$PYTHONPATHde> or the like. You should not import the module in thede style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >caffe/python/caffede> directory!

Caffe's Python interface works with Python 2.7. Python 3.3+ should work out of the box without protobuf support. For protobuf support please install protobuf 3.0 alpha (https://developers.google.com/protocol-buffers/). Earlier Pythons are your own adventure.

MATLAB

Install MATLAB, and make sure that its de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >mexde> is in your de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >$PATHde>.

Caffe's MATLAB interface works with versions 2014a/b, 2013a/b, and 2012b.

Windows

There is an unofficial Windows port of Caffe at niuzhiheng/caffe:windows. Thanks @niuzhiheng!

Compilation

Now that you have the prerequisites, edit your de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >Makefile.configde> to change the paths for your setup The defaults should work, but uncomment the relevant lines if using Anaconda Python.

最后一行的-nv说明这是NVIDIA的caffe

更改makefile：

这是由于我们有多个cudnn版本造成

de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; word-break: normal; border: 0px; display: inline; overflow: visible; line-height: inherit; word-wrap: normal; background-color: transparent; background- initial; background-repeat: initial initial;"  >cp Makefile.config.example Makefile.config
# Adjust Makefile.config (for example, if using Anaconda Python)
make all
make test
make runtest
de>

For cuDNN acceleration, you should uncomment the de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >USE_CUDNN := 1de> switch in de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >Makefile.configde>.
For CPU-only Caffe, uncomment de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >CPU_ONLY := 1de> in de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >Makefile.configde>.

To compile the Python and MATLAB wrappers do de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >make pycaffede> and de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >make matcaffede> respectively. Be sure to set your MATLAB and Python paths in de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >Makefile.configde> first!

Distribution: run de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >make distributede> to create a de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >distributede> directory with all the Caffe headers, compiled libraries, binaries, etc. needed for distribution to other machines.

Speed: for a faster build, compile in parallel by doing de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >make all -j8de> where 8 is the number of parallel threads for compilation (a good choice for the number of threads is the number of cores in your machine).

Now that you have installed Caffe, check out the MNIST tutorial and the reference ImageNet model tutorial.

CMake Compilation

In lieu of manually editing de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0.2em 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; background-color: rgba(0, 0, 0, 0.0392157);" >Makefile.configde> to configure the build, Caffe offers an unofficial CMake build thanks to @Nerei, @akosiorek, and other members of the community. It requires CMake version >= 2.8.7. The basic steps are as follows:

de style="box-sizing: border-box; font-family: Consolas, 'Liberation Mono', Menlo, Courier, monospace; font-size: 13.6px; padding: 0px; margin-top: 0px; margin-bottom: 0px; border-top-left-radius: 3px; border-top-right-radius: 3px; border-bottom-right-radius: 3px; border-bottom-left-radius: 3px; word-break: normal; border: 0px; display: inline; overflow: visible; line-height: inherit; word-wrap: normal; background-color: transparent; background- initial; background-repeat: initial initial;"  >mkdir build
cd build
cmake ..
make all
make runtest
de>

See PR #1667 for options and details.

Hardware

Laboratory Tested Hardware: Berkeley Vision runs Caffe with K40s, K20s, and Titans including models at ImageNet/ILSVRC scale. We also run on GTX series cards (980s and 770s) and GPU-equipped MacBook Pros. We have not encountered any trouble in-house with devices with CUDA capability >= 3.0. All reported hardware issues thus-far have been due to GPU configuration, overheating, and the like.

CUDA compute capability: devices with compute capability <= 2.0 may have to reduce CUDA thread numbers and batch sizes due to hardware constraints. Your mileage may vary.

Once installed, check your times against our reference performance numbers to make sure everything is configured properly.

Ask hardware questions on the caffe-users group.

鉴于cudnn多版本冲突，我们采用已经安装的cudnn-v4版本重新安装。

下载地址：

caffe-0.14和digits-3.0

https://github.com/NVIDIA/caffe/blob/caffe-0.13/docs/installation.md

https://github.com/NVIDIA/DIGITS/tree/digits-3.0

可以看到digits-3.0对应caffe-0.14，当然digits是向前兼容的。所以下载最新版本也行。

安装说明看这个：

检查依赖库：

最后，开始编译:

de >cmake ..de>

后：

最后编译：

报错：

解决：

添加cnmem

将lib和include放到cuda文件下。

de >$ sudo ln -sf /usr/local/cuda/lib64/libcnmem.so.1.0.0 /usr/local/cuda/lib64/libcnmem.so.1de>
de >de>
de >$ sudo ln -sf /usr/local/cuda/lib64/libcnmem.so.1 /usr/local/cuda/lib64/libcnmem.sode>

和我类似的问题：

最后生成了但是还有一些错误。

发现/usr/local/cuda/lib64下libcudnn.so.4.0.7的权限好像不对

更改权限：

de >sudo chmod 755 libcudnn.so.4.0.7de>

继续编译

de >make all --jobs=10 2>&1|tee make.logde>

仍然报错，可能是冲突了

将这几个文件下cudnn其他版本删掉，终于成功了，泪流满面啊！！！

总而言之：这种undefine reference的错误八成都是因为cudnn多版本冲突造成的。

注意make all里面并没有make pycaffe和matcaffe，这都需要额外编译的。

尤其是使用digits时候，digits是调用pycaffe，所以必须编译pycaffe，否则会报以下错误

de >make all --jobs=10 2>&1|tee make.logde>
de >make test --jobs=10 2>&1|tee make.logde>
de >make runtest --jobs=10 2>&1|tee make.logde>
de >make pycaffe --jobs=10 2>&1|tee make.logde>
de >make matcaffe --jobs=10 de>2>&1|tee make.log
de style="color: rgb(190, 190, 197);" >make distribute --jobs=10 de>2>&1|tee make.log

测试下是否安装成功：

注意必须export或者在.bashrc里面写上。

如果提示cannot open shared object file，则是找不到lib，将lib路径加入./.bashrc

matlab没有安装成功。原因在于gcc版本不对，必须使用4.7.x才行。

使用mnist数字检测进行测试：

de style="margin-top: 0px; margin-bottom: 0px; padding: 0px; border: 0px; font-style: inherit; font-variant: inherit; font-stretch: inherit; vertical-align: baseline;"  >cd $CAFFE_ROOT
./data/mnist/get_mnist.sh
./examples/mnist/create_mnist.de>

de style="margin-top: 0px; margin-bottom: 0px; padding: 0px; border: 0px; font-style: inherit; font-variant: inherit; font-stretch: inherit; vertical-align: baseline;"  >
de>

de style="margin-top: 0px; margin-bottom: 0px; padding: 0px; border: 0px; font-style: inherit; font-variant: inherit; font-stretch: inherit; vertical-align: baseline;"  >cd $CAFFE_ROOT
./examples/mnist/train_lenet.shde>

再使用caffe + digits训练下mnist：

下载mnist数据集

全部设置好后，点击"create" 按钮，开始生成lmdb数据。

右击右边Models模块的” Images" 按钮，选择“classification"

出现问题：

1) Couldn't import dot_parser, loading of dot files will not be possible

这是 dot-parser 所依赖的模块 pyparsing 从 1.X 升级到 2.X 的变化所导致的，所以呢，安回旧的版本就可以了。

pip install pydot pyparsing==1.5.7

2）使用 Python 进行caffe 数据可视化的时候可能会遇到下面的错误：

No to_python (by-value) converter found for C++ type: boost::shared_ptr >
No to_python (by-value) converter found for C++ type: boost::shared_ptr >
No to_python (by-value) converter found for C++ type: boost::shared_ptr >

上面的错误是由于boost-1.60.0 引起的，如果是boost-1.59.0，就没有上面问题，但是很容易无意中升级安装包的时候把boost也升级了，就会造成上面的问题。

解决的办法是在caffe/python/caffe/中对 _caffe.cpp 进行相应的修改：（参考:https://github.com/BVLC/caffe/issues/3494)

// Fix for caffe pythonwrapper for boost 1.6
boost::python::register_ptr_to_python > >();

boost::python::register_ptr_to_python > >();

// End fix

然后回到caffe 目录，重新编译pycaffe:

来自为知笔记(Wiz)

你可能感兴趣的:(caffe)

Redis + Caffeine 实现高效的两级缓存架构周童學 Java 缓存 redis 架构
Redis+Caffeine实现高效的两级缓存架构引言在现代高并发系统中，缓存是提升系统性能的关键组件之一。传统的单一缓存方案往往难以同时满足高性能和高可用性的需求。本文将介绍如何结合Redis和Caffeine构建一个高效的两级缓存系统，并通过三个版本的演进展示如何逐步优化代码结构。项目源代码：github地址、gitee地址两级缓存架构概述两级缓存通常由本地缓存（如Caffeine）和分布式缓
OpenCV结合深度学习进行图像分类香蕉可乐荷包蛋 #OpenCV opencv 深度学习分类
文章目录1.支持的深度学习框架和模型格式2.模型加载方式加载预训练模型示例：3.图像预处理流程4.前向传播与推理5.结果解析与后处理6.性能优化技巧启用GPU加速：批量处理：代码示例在资源中有上传1.支持的深度学习框架和模型格式OpenCV的DNN模块支持多种主流深度学习框架训练的模型：TensorFlow:支持冻结图(.pb)和SavedModel格式Caffe:支持.prototxt和.caf
《整合Spring Cache：本地缓存、Redis与Caffeine对比实践》
整合SpringCache：本地缓存、Redis与Caffeine对比实践前言在高并发、高性能的系统设计中，缓存始终扮演着不可替代的角色。SpringCache作为Spring框架原生提供的缓存抽象层，极大简化了缓存接入的复杂度。然而，如何选择合适的缓存组件？如何支持多级缓存？如何处理缓存一致性和失效问题？这些才是“实战”真正的挑战。文章目录整合SpringCache：本地缓存、Redis与Caf
Spring Boot集成Caffeine本地缓存完整方案 @淡定 spring boot 缓存 spring
SpringBoot集成Caffeine本地缓存完整方案以下是基于您项目架构的Caffeine本地缓存集成方案，包含依赖配置、缓存策略和使用示例，适配DDD架构设计。一、添加依赖在/pom.xml中添加Caffeine依赖：com.github.ben-manes.caffeinecaffeine3.1.8org.springframework.bootspring-boot-starter-ca
Spring Boot+Redis+Caffeine 二级缓存架构的终极实现方案、包含万级QPS下的黄金配置参数、全文超过2500字（博君一赞）夜雨hiyeyu.com java spring boot redis 架构后端 java spring cloud spring
SpringBoot+Redis+Caffeine二级缓存架构的终极实现方案、包含万级QPS下的黄金配置参数、全文超过2500字（博君一赞）一、架构设计原理（10万QPS基石）设计优势：二、Caffeine本地缓存原子级配置1.高性能缓存构造器2.容量智能计算算法3.动态TTL策略三、Redis集群极致优化（支撑百万OPS）1.Lettuce连接池配置2.Redis服务端关键配置3.Pipelin
SpringBoot缓存技术全解析：Redis+Caffeine二级缓存架构 fanxbl957 Web 缓存 spring boot redis
博主介绍：Java、Python、js全栈开发“多面手”，精通多种编程语言和技术，痴迷于人工智能领域。秉持着对技术的热爱与执着，持续探索创新，愿在此分享交流和学习，与大家共进步。DeepSeek-行业融合之万象视界(附实战案例详解100+)全栈开发环境搭建运行攻略：多语言一站式指南(环境搭建+运行+调试+发布+保姆级详解)感兴趣的可以先收藏起来，希望帮助更多的人SpringBoot缓存技术全解析：
后端开发：Spring Boot 的分布式缓存方案大厂资深架构师 Spring Boot 开发实战 spring boot 分布式缓存 ai
后端开发：SpringBoot的分布式缓存方案关键词：SpringBoot、分布式缓存、Redis、Caffeine、缓存策略、缓存失效摘要：本文深入探讨了在SpringBoot后端开发中分布式缓存方案的相关技术。首先介绍了分布式缓存在现代应用中的重要性及本文的研究范围，接着阐述了核心概念如分布式缓存的原理与架构，详细讲解了常用的核心算法原理及具体操作步骤，包括使用Python代码示例说明。通过数
避免mac进入休眠状态 NextStepPeng
不要进入休眠状态：当你临时不希望电脑进入休眠状态时，可以使用caffeinate命令让电脑时刻清醒。当你需要其恢复正常时，按下⌃Control-C即可停止该命令。image.png参考：https://sspai.com/post/45534
【TensorRT】TensorRT及加速原理浩瀚之水_csdn tensorrt
一、TensorRT架构概览TensorRT是NVIDIA推出的高性能推理优化器，专为GPU加速设计。其核心架构分为三层：前端解析器支持ONNX/UFF/Caffe等格式的模型解析执行格式验证和初步结构优化优化引擎核心优化层（层融合、精度校准、内存优化等）生成优化后的计算图（OptimizedGraph）运行时环境管理GPU内存分配执行优化后的计算图二、核心加速原理（8大关键技术）1.层融合（La
Redis+Caffeine双层缓存策略对比与实践指南浅沫云归后端技术栈小结 Redis Caffeine 缓存
Redis+Caffeine双层缓存策略对比与实践指南在高并发场景下，缓存是提升系统性能和并发处理能力的关键手段。常见的缓存方案包括远程缓存（如Redis）和本地缓存（如Caffeine）。单层缓存各有优劣，结合两者优势的双层缓存架构已成为生产环境中的最佳实践。本文将基于SpringBoot，从方案对比分析出发，深入探讨Redis、本地Caffeine与双层缓存的实现与性能差异，并给出选型建议与实
spring boot + caffeine使用月光一族吖 spring boot spring java
一、Caffeine缓存背景Caffeine是一个高性能、可扩展的Java缓存库，由Google的BenManes开发。Caffeine基于ConcurrentHashMap设计，采用了近似LRU（LeastRecentlyUsed，最近最少使用）算法，以实现高速缓存淘汰策略。Caffeine广泛应用于各类Java项目中，作为一种提高数据读取性能的优秀解决方案。二、Caffeine缓存优点与缺点优
两级缓存 Caffeine + Redis 架构：原理、实现与实践大只鹅缓存 redis 架构
一、前言在高性能服务架构设计里，缓存是关键环节。常规做法是将热点数据存于Redis/MemCache等远程缓存，缓存未命中时再查数据库，以此提升访问速度、降低数据库压力。随着发展，架构有了改进，部分场景下单纯远程缓存不够，需结合本地缓存（如Guavacache、Caffeine），形成本地缓存（一级缓存）+远程缓存（二级缓存）的两级缓存架构，进一步提升程序响应与服务性能，其基础访问流程如下（暂不考
Ehcache、Caffeine、Spring Cache、Redis、J2Cache、Memcached 和 Guava Cache 的主要区别 MonkeyKing.sun spring redis memcached
主流缓存技术Ehcache、Caffeine、SpringCache、Redis、J2Cache、Memcached和GuavaCache的主要区别，涵盖其架构、功能、适用场景和优缺点等方面：Ehcache类型:本地缓存（JVM内存缓存）特点:轻量级，运行在JVM内部，易于集成到Java应用中。支持堆内、堆外和磁盘缓存，适合处理中小型数据集。提供丰富的缓存配置，如TTL（生存时间）、TTI（空闲时
《高并发系统性能优化三板斧：缓存 + 异步 + 限流》猕员桃 10篇关于分布式和高并发性能优化缓存
高并发系统性能优化三板斧：缓存+异步+限流引言在互联网应用的高并发场景下，系统性能面临巨大挑战。以某电商平台会员活动为例，活动期间瞬时QPS可达10万+，若未进行有效优化，服务器将迅速崩溃。本文从缓存、异步、限流三个核心维度，结合实际案例详细解析高并发系统的性能优化策略，并分享全链路压测与问题定位的实战经验。一、缓存策略分层：从本地到分布式的立体防护1.1本地缓存选型与实战（Caffeine）本地
2.6 Spring Boot缓存实战：Redis与Caffeine性能对比
SpringBoot缓存实战：Redis与Caffeine深度性能对比一、缓存技术选型核心指标维度Redis（分布式）Caffeine（本地）数据存储位置独立内存服务器应用进程堆内存数据一致性强一致（集群版）最终一致（需额外同步）网络开销存在TCP/IP通信无网络延迟数据容量支持TB级存储受限于JVM堆大小数据结构支持5种核心数据结构仅Key-Value结构持久化能力RDB/AOF需结合其他存储二
深入实践Caffeine+Redis两级缓存架构：从原理到高可用设计搬砖的小熊猫缓存 redis 架构
一、为何需要两级缓存架构？在分布式系统中，Redis作为分布式缓存已广泛应用。但当系统面临超高并发读取（如热点商品详情页访问）或超低延迟要求（如金融行情数据推送）时，纯远程缓存面临两大瓶颈：网络IO开销：每次Redis访问需10-50ms的网络延迟带宽瓶颈：单节点Redis吞吐量上限约10万QPS通过引入Caffeine本地缓存作为一级缓存，Redis作为二级缓存，可实现：命中未命中命中未命中客户
python opencv rgb_opencv-python的RGB与BGR互转方式 weixin_39798497 python opencv rgb
一、格式转换opencv读取图片的默认像素排列是BGR，需要转换。PIL库是RGB格式。caffe底层的图像处理是基于opencv，其使用的颜色通道顺序与也是BGR(Blue-Green-Red)，而日常图片存储时颜色通道顺序是RGB。在Python中，将RGB顺序的图像转成BGR顺序，需要调整channeldimension的各颜色通道顺序。方法1：img=cv2.imread("001.jpg
caffe之利用mnist数据集训练好的lenet_iter_10000.caffemodel模型测试一张自己的手写体数字 xunan003 深度学习 caffe
一、前沿写这篇博文，是因为一开始在做《21天学习caffe》第6天6.4练习题1的时候看着自己搜索的博文，在不理解其根本的情况下做的，结果显然是错的。在接下来阅读完源代码之后，在第10天学习完caffemodelzoo之后，明白了其中原理，反过来再去做那个习题，一开始在网上搜索并没有完完整整解释整个过程的一篇博文，而是写的不知所云，本着我们初学者互相共享的精神，也方便自己查阅，特详细写一下，将自己
caffe安装：基于anaconda3---python3.6, linux, 仅CPU 喵酱ooo 目标检测 caffe anaconda3 python3.6 linux CPU
caffe安装：基于anaconda3---python3.6,linux,仅CPUcaffe安装安装Anaconda3下载caffe配置caffe的Makefile.config安装libboost（基于python3.6）的库编译caffecaffe安装安装Anaconda3下载：Anaconda3-5.0.1-Linux-x86_64.sh默认路径安装（最终安装位置为/home/usenam
ubuntu 编译caffe makefile.config AI算法网奇 win/ubuntu
这个是我以前总结的：sudoapt-getinstall-ylibopencv-devpython-opencvsudoapt-getinstall-ybuild-essentialcmakegitpkg-configsudoapt-getinstall-ylibatlas-base-devsudoapt-getinstall-ylibgflags-devlibgoogle-glog-devlib
caffe中Makefile.config详解《一夜飘零》
##Refertohttp://caffe.berkeleyvision.org/installation.html#Contributionssimplifyingandimprovingourbuildsystemarewelcome!#cuDNNaccelerationswitch(uncommenttobuildwithcuDNN).#USE_CUDNN:=1"CuDNN是NVIDIA专门
【性能飙升】Caffeine缓存框架：SpringBoot的高性能秘籍！码农Q！程序员 Java IT 缓存 spring boot spring windows 开发语言 java list
高性能Java本地缓存Caffeine框架介绍及在SpringBoot中的使用代码加详解1.引包importcom.github.benmanes.caffeine.cache.Cache;importcom.github.benmanes.caffeine.cache.Caffeine;importorg.springframework.beans.factory.annotation.Auto
一站式讲解本地缓存Caffeine 想用offer打牌后台缓存缓存
文章目录theme:condensed-night-purple引言本地缓存的必要性多级缓存访问流程使用Caffeine作为本地缓存‍️添加**SpringCache和Guava依赖**配置Caffeine缓存启用缓存使用缓存注解总结❤️theme:condensed-night-purple引言上次我们讲了本地缓存guava，那么有没有比它更加优秀的本地缓存呢？有的，兄弟，有的。这次我们来讲本地
开放词汇检测分割YOLOE从pytorch到caffe wangxiaobei2017 深度学习训练与移植 pytorch caffe 人工智能
开放词汇检测分割YOLOE从pytorch到caffe0.前沿开放词汇检测的概念CLIP模型1.YOLOE环境配置1.1虚拟环境1.2YOLOE模型推理测试1.2.1文本提示检测和分割测试1.2.2无提示检测和分割2.YOLOE网络结构分析2.1网络结构概述2.2可重参数化区域-文本对齐（Re-parameterizableregion-textalignment:RepRTA）2.3语义激活视觉
本地缓存Caffeine的基本使用海光之蓝工具类 spring
1.本地缓存有ehcache,guavacache,caffein这几种常用的实现，下面介绍caffeine在springboot中的使用caffeine官网：github-caffeinjsr-107缓存规范与spring的对照：jsr-107缓存规范与spring的对照caffeine-plus：caffeine-plus单独使用：2.添加依赖com.github.ben-manes.caff
Web 架构之缓存策略实战：从本地缓存到分布式缓存互联网搬砖工老肖 web架构原力计划前端架构缓存
文章目录一、思维导图二、正文内容（一）本地缓存1.简介2.常见实现3.使用场景4.优缺点（二）分布式缓存1.简介2.常见实现3.使用场景4.优缺点5.缓存问题及解决方案三、总结一、思维导图缓存策略实战本地缓存分布式缓存简介常见实现使用场景优缺点GuavaCacheCaffeine简介常见实现使用场景优缺点RedisMemcached缓存穿透缓存击穿缓存雪崩解决方案解决方案解决方案二、正文内容（一）
解锁Java多级缓存：性能飞升的秘密武器 bxlj_jcj 缓存面试架构缓存架构 java 面试
一、引言文末有彩蛋在当今高并发、低延迟的应用场景中，传统的单级缓存策略往往难以满足性能需求。随着系统规模扩大，数据访问的瓶颈逐渐显现，如何高效管理缓存成为开发者面临的重大挑战。多级缓存架构应运而生，通过分层缓存设计（如本地缓存+分布式缓存+后端存储），显著减少网络开销、降低数据库压力，成为提升Java应用性能的“秘密武器”。本文将深入剖析多级缓存的核心理念，结合Caffeine、Redis等主流技
Spring Boot缓存组件Ehcache、Caffeine、Redis、Hazelcast 一只帆記 SpringBoot 缓存 spring boot redis
一、SpringBoot缓存架构核心SpringBoot通过spring-boot-starter-cache提供统一的缓存抽象层：业务代码CacheAbstractionCacheManagerCacheImplementationEhcacheCaffeineRedisHazelcast二、主流缓存工具深度对比特性EhcacheCaffeineRedisHazelcast类型本地缓存本地缓存分
【Redis】热点key问题，的原因和处理，一致性哈希，删除大key的方法 {⌐■_■} redis redis 哈希算法数据库
热点Key指单个Key被高并发访问（如爆款商品），导致Redis压力骤增。解决方案应针对“单个Key高并发”：分片缓存：将热点Key分散到不同Redis节点（如按一致性哈希算法分片）。本地缓存：在应用层缓存热点数据（如Caffeine），减少Redis压力。增加缓存副本：为热点数据增加缓存副本，将热点数据复制到多个缓存节点上，分散访问压力。（例如，使用Redis的主从复制，将热点数据存储在多个从节
在Windows系统下安装caffe sunmingliu
最近，在怼着球面卷积神经网络源码看，虽然不出意外的看傻了，但caffe的安装还是需要记录一下的。一开始我是想在Linux系统下实现的，毕竟一开始我把电脑一大块空间给了Linux系统。于是我先颠颠的照着网上的教程把anaconda先安装了。anaconda在Linux下的安装还顺道下了一个COCO数据集，官网没法正常打开，就找到了一个不需要的下载方法，贴一个链接：简单的MSCOCO数据集下载方法然后
Nginx负载均衡 510888780 nginx 应用服务器
Nginx负载均衡一些基础知识: nginx 的 upstream目前支持 4 种方式的分配 1)、轮询（默认）每个请求按时间顺序逐一分配到不同的后端服务器，如果后端服务器down掉，能自动剔除。 2)、weight 指定轮询几率，weight和访问比率成正比
RedHat 6.4 安装 rabbitmq bylijinnan erlang rabbitmq redhat
在 linux 下安装软件就是折腾，首先是测试机不能上外网要找运维开通，开通后发现测试机的 yum 不能使用于是又要配置 yum 源，最后安装 rabbitmq 时也尝试了两种方法最后才安装成功机器版本： [root@redhat1 rabbitmq]# lsb_release LSB Version: :base-4.0-amd64:base-4.0-noarch:core
FilenameUtils工具类 eksliang FilenameUtils common-io
转载请出自出处：http://eksliang.iteye.com/blog/2217081 一、概述这是一个Java操作文件的常用库，是Apache对java的IO包的封装，这里面有两个非常核心的类FilenameUtils跟FileUtils，其中FilenameUtils是对文件名操作的封装;FileUtils是文件封装，开发中对文件的操作，几乎都可以在这个框架里面找到。非常的好用。
xml文件解析SAX 不懂事的小屁孩 xml
xml文件解析:xml文件解析有四种方式， 1.DOM生成和解析XML文档(SAX是基于事件流的解析) 2.SAX生成和解析XML文档(基于XML文档树结构的解析) 3.DOM4J生成和解析XML文档 4.JDOM生成和解析XML 本文章用第一种方法进行解析，使用android常用的DefaultHandler import org.xml.sax.Attributes;
通过定时任务执行mysql的定期删除和新建分区，此处是按日分区酷的飞上天空 mysql
使用python脚本作为命令脚本，linux的定时任务来每天定时执行 #!/usr/bin/python # -*- coding: utf8 -*- import pymysql import datetime import calendar #要分区的表 table_name = 'my_table' #连接数据库的信息 host,user,passwd,db =
如何搭建数据湖架构？听听专家的意见蓝儿唯美架构
Edo Interactive在几年前遇到一个大问题：公司使用交易数据来帮助零售商和餐馆进行个性化促销，但其数据仓库没有足够时间去处理所有的信用卡和借记卡交易数据 “我们要花费27小时来处理每日的数据量，”Edo主管基础设施和信息系统的高级副总裁Tim Garnto说道：“所以在2013年，我们放弃了现有的基于PostgreSQL的关系型数据库系统，使用了Hadoop集群作为公司的数
spring学习——控制反转与依赖注入 a-john spring
控制反转（Inversion of Control，英文缩写为IoC）是一个重要的面向对象编程的法则来削减计算机程序的耦合问题，也是轻量级的Spring框架的核心。控制反转一般分为两种类型，依赖注入（Dependency Injection，简称DI）和依赖查找（Dependency Lookup）。依赖注入应用比较广泛。
用spool+unixshell生成文本文件的方法 aijuans xshell
例如我们把scott.dept表生成文本文件的语句写成dept.sql,内容如下: 　　set pages 50000; 　　set lines 200; 　　set trims on; 　　set heading off; 　　spool /oracle_backup/log/test/dept.lst; 　　select deptno||','||dname||','||loc
1、基础--名词解析(OOA/OOD/OOP) asia007 学习基础知识
OOA:Object-Oriented Analysis（面向对象分析方法）是在一个系统的开发过程中进行了系统业务调查以后，按照面向对象的思想来分析问题。OOA与结构化分析有较大的区别。OOA所强调的是在系统调查资料的基础上，针对OO方法所需要的素材进行的归类分析和整理，而不是对管理业务现状和方法的分析。　　OOA（面向对象的分析）模型由5个层次（主题层、对象类层、结构层、属性层和服务层）
浅谈java转成json编码格式技术百合不是茶 json编码 java转成json编码
json编码;是一个轻量级的数据存储和传输的语言在java中需要引入json相关的包,引包方式在工程的lib下就可以了 JSON与JAVA数据的转换（JSON 即 JavaScript Object Natation，它是一种轻量级的数据交换格式，非常适合于服务器与 JavaScript 之间的数据的交
web.xml之Spring配置(基于Spring+Struts+Ibatis) bijian1013 java web.xml SSI spring配置
指定Spring配置文件位置 <context-param> <param-name>contextConfigLocation</param-name> <param-value> /WEB-INF/spring-dao-bean.xml,/WEB-INF/spring-resources.xml, /WEB-INF/
Installing SonarQube（Fail to download libraries from server） sunjing Install Sonar
1. Download and unzip the SonarQube distribution 2. Starting the Web Server The default port is "9000" and the context path is "/". These values can be changed in &l
【MongoDB学习笔记十一】Mongo副本集基本的增删查 bit1129 mongodb
一、创建复本集假设mongod,mongo已经配置在系统路径变量上，启动三个命令行窗口，分别执行如下命令： mongod --port 27017 --dbpath data1 --replSet rs0 mongod --port 27018 --dbpath data2 --replSet rs0 mongod --port 27019 -
Anychart图表系列二之执行Flash和HTML5渲染白糖_ Flash
今天介绍Anychart的Flash和HTML5渲染功能 HTML5 Anychart从6.0第一个版本起，已经逐渐开始支持各种图的HTML5渲染效果了，也就是说即使你没有安装Flash插件，只要浏览器支持HTML5，也能看到Anychart的图形（不过这些是需要做一些配置的）。这里要提醒下大家，Anychart6.0版本对HTML5的支持还不算很成熟，目前还处于
Laravel版本更新异常4.2.8-> 4.2.9 Declaration of ... CompilerEngine ... should be compa bozch laravel
昨天在为了把laravel升级到最新的版本，突然之间就出现了如下错误： ErrorException thrown with message "Declaration of Illuminate\View\Engines\CompilerEngine::handleViewException() should be compatible with Illuminate\View\Eng
编程之美-NIM游戏分析-石头总数为奇数时如何保证先动手者必胜 bylijinnan 编程之美
import java.util.Arrays; import java.util.Random; public class Nim { /**编程之美 NIM游戏分析问题：有N块石头和两个玩家A和B，玩家A先将石头随机分成若干堆，然后按照BABA...的顺序不断轮流取石头，能将剩下的石头一次取光的玩家获胜，每次取石头时，每个玩家只能从若干堆石头中任选一堆，
lunce创建索引及简单查询 chengxuyuancsdn 查询创建索引 lunce
import java.io.File; import java.io.IOException; import org.apache.lucene.analysis.Analyzer; import org.apache.lucene.analysis.standard.StandardAnalyzer; import org.apache.lucene.document.Docume
[IT与投资]坚持独立自主的研究核心技术 comsci it
和别人合作开发某项产品....如果互相之间的技术水平不同,那么这种合作很难进行,一般都会成为强者控制弱者的方法和手段..... 所以弱者,在遇到技术难题的时候,最好不要一开始就去寻求强者的帮助,因为在我们这颗星球上,生物都有一种控制其
flashback transaction闪回事务查询 daizj oracle sql 闪回事务
闪回事务查询有别于闪回查询的特点有以下3个：（1）其正常工作不但需要利用撤销数据，还需要事先启用最小补充日志。（2）返回的结果不是以前的“旧”数据，而是能够将当前数据修改为以前的样子的撤销SQL（Undo SQL）语句。（3）集中地在名为flashback_transaction_query表上查询，而不是在各个表上通过“as of”或“vers
Java I/O之FilenameFilter类列举出指定路径下某个扩展名的文件游其是你 FilenameFilter
这是一个FilenameFilter类用法的例子，实现的列举出“c:\\folder“路径下所有以“.jpg”扩展名的文件。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
C语言学习五函数，函数的前置声明以及如何在软件开发中合理的设计函数来解决实际问题 dcj3sjt126com c
# include <stdio.h> int f(void) //括号中的void表示该函数不能接受数据，int表示返回的类型为int类型 { return 10; //向主调函数返回10 } void g(void) //函数名前面的void表示该函数没有返回值 { //return 10; //error 与第8行行首的void相矛盾 } in
今天在测试环境使用yum安装，遇到一个问题： Error: Cannot retrieve metalink for repository: epel. Pl dcj3sjt126com centos
今天在测试环境使用yum安装，遇到一个问题： Error: Cannot retrieve metalink for repository: epel. Please verify its path and try again 处理很简单，修改文件“/etc/yum.repos.d/epel.repo”，将baseurl的注释取消， mirrorlist注释掉。即可。 &n
单例模式 shuizhaosi888 单例模式
单例模式懒汉式 public class RunMain { /** * 私有构造 */ private RunMain() { } /** * 内部类，用于占位，只有 */ private static class SingletonRunMain { priv
Spring Security（09）——Filter 234390216 Spring Security
Filter 目录 1.1 Filter顺序 1.2 添加Filter到FilterChain 1.3 DelegatingFilterProxy 1.4 FilterChainProxy 1.5
公司项目NODEJS实践0.1 逐行分析JS源代码 mongodb nginx ubuntu nodejs
一、前言前端如何独立用nodeJs实现一个简单的注册、登录功能，是不是只用nodejs+sql就可以了？其实是可以实现，但离实际应用还有距离，那要怎么做才是实际可用的。网上有很多nod
java.lang.Math liuhaibo_ljf java Math lang
System.out.println(Math.PI); System.out.println(Math.abs(1.2)); System.out.println(Math.abs(1.2)); System.out.println(Math.abs(1)); System.out.println(Math.abs(111111111)); System.out.println(Mat
linux下时间同步 nonobaba ntp
今天在linux下做hbase集群的时候，发现hmaster启动成功了，但是用hbase命令进入shell的时候报了一个错误 PleaseHoldException: Master is initializing，查看了日志，大致意思是说master和slave时间不同步，没办法，只好找一种手动同步一下，后来发现一共部署了10来台机器，手动同步偏差又比较大，所以还是从网上找现成的解决方
ZooKeeper3.4.6的集群部署 roadrunners zookeeper 集群部署
ZooKeeper是Apache的一个开源项目，在分布式服务中应用比较广泛。它主要用来解决分布式应用中经常遇到的一些数据管理问题，如：统一命名服务、状态同步、集群管理、配置文件管理、同步锁、队列等。这里主要讲集群中ZooKeeper的部署。 1、准备工作我们准备3台机器做ZooKeeper集群，分别在3台机器上创建ZooKeeper需要的目录。数据存储目录
Java高效读取大文件 tomcat_oracle java
　　读取文件行的标准方式是在内存中读取，Guava 和Apache Commons IO都提供了如下所示快速读取文件行的方法：　　Files.readLines(new File(path), Charsets.UTF_8); 　　FileUtils.readLines(new File(path)); 　　这种方法带来的问题是文件的所有行都被存放在内存中，当文件足够大时很快就会导致
微信支付api返回的xml转换为Map的方法 xu3508620 xml map 微信api
举例如下： <xml> <return_code><![CDATA[SUCCESS]]></return_code> <return_msg><![CDATA[OK]]></return_msg> <appid><