matcaffe编译
㈠ 安装caffe一定要用cuda吗
如果你的caffe需要使用GPU计算，就一定要按照cuda，cuda相当于是专门用于GPU的语言。如果你只使用CPU计算，则不需要GPU，同理也就不需要cuda
㈡ 求助，mac编译matcaffe问题
首先，先要再linux上安装opencv的库，在线安装的话，很容易 然后，编译的时候需要加上 ——pkg-config opencv --libs --cflags opencv—— 参数
㈢ caffe windows配置及classification编译分类
这里主要参考了如何快糙好猛地在windows下编译caffe及并使用其matlab和python接口，下面详述本人的安装过程。
提前说明下，本人的安装环境是windows+vs2013+cuda7.5。首先是happynear准备好的caffe源码http://pan..com/s/1bSzvKa
将第三方库中的内容解压至caffe源码中的3rdparty文件夹中，并将3rdparty/bin文件夹添加至环境变量path中，方便程序找到第三方库的dll。
进入caffe-windows-master目录。
所谓的matlabwrapper编译，其实就是matcaffe这个工程的编译。
首先，将该工程设置为启动项目，右击属性。
classification.cpp是在.exampleclassification目录中的。在windows中用VS编译还是挺麻烦的，所以在这里也记录一下，关键还是其中的依赖库的配置。这里因为是自己不断实验，不断看网上仅有的例子摸索出来的，所以方法有点笨拙。
我的方法是，在caffe工程中，新建classification.cpp，将那个classification.cpp复制到这里，然后排除caffe.cpp，编译。这样就省去了环境配置的麻烦，但缺点是生成的exe仍在.in中，但文件名为caffe，把我之前编译生成的caffe.exe覆盖了。
使用该classification.cpp生成的.exe跑demo时，首先得下好下面的文件：
bvlc_reference_caffenet.caffemodel
imagenet_mean.binaryproto和synset_words.txt
上面三个文件我都将它们放在了.modelsvlc_reference_caffenet文件夹中，所以最后在cmd中的命令句是
如此完成了该classification的demo。
㈣ ubuntu 哪个版本再装caffe
配置
操作系统：14.04 Ubuntu Kylin 64位
cuda版本：7.5
GPU：k20c
一、cuda 安装
我们采用的是.ded包安装方式，网上还有利用一种手动安装.run文件的方式，但是由于楼主第一次采用该种方式安装导致各种驱动的问题，系统重新安装了N次，所以这次换了个安装方法。
1.在nvidia官网上下载.ded安装包（当然根据自己的系统选择版本）
http://developer.download.nvidia.com/compute/cuda/7.5/Prod/local_installers/cuda-repo-ubuntu1404-7-5-local_7.5-18_amd64.deb
2. install repository meta-data
sudo dpkg -i cuda-repo-ubuntu1404-7-5-local_7.5-18_amd64.deb
3. Update the Apt repository cache
sudo apt-get update
4. Install CUDA
sudo apt-get install cuda
二、环境变量设置
1.设置PATH
在/etc/profile中添加环境变量，在文件最后添加
PATH=/usr/local/cuda-7.5/bin:$PATH
export PATH
保存后如下命令，使得立即生效
source /etc/profile
2.添加lib库
在/etc/ld.so.conf.d/加入文件cuda.conf
/usr/local/cuda-7.5/lib64
输入命令sudo ldconfig使得立即生效
执行如下命令,确定驱动成功安装
cat /pror/driver/nvidia/version
NVRM version: NVIDIA UNIX x86_64 Kernel Mole 352.63 Sat Nov 7 21:25:42 PST 2015
GCC version: gcc version 4.8.4 (Ubuntu 4.8.4-2ubuntu1~14.04)
拷贝样例程序到dir，样例程序在/usr/local/cuda/samples中是有一份的，只是一份出来编译
cuda-install-samples-7.5.sh <dir>
3.安装Opencv
这个尽量不要手动安装，Github上有人已经写好了完整的安装脚本：https://github.com/jayrambhia/Install-OpenCV
chmod +x *.sh
sudo./opencv2_4_9.sh
4.安装依赖库
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compiler
5.安装Python
sudo apt-get install python-dev python-pip
然后执行如下命令安装编译caffe python wrapper 所需要的额外包
for req in $(cat requirements.txt); do sudo pip install $req; done
建议安装Anaconda包，这个包能独立于系统自带的python库，并且提供大部分Caffe需要的科学运算Python库。
并且在~/.bashrc中添加library path
# add library path
LD_LIBRARY_PATH=your_anaconda_path/lib:$LD_LIBRARY_PATH
export LD_LIBRARY_PATH
6.安装cuDNN（可选）
CuDNN是专门针对Deep Learning框架设计的一套GPU计算加速方案，目前支持的DL库包括Caffe，ConvNet, Torch7等。下载
基本原理是把lib文件加入到系统能找到的lib文件夹里， 把头文件加到系统能找到的include文件夹里就可以。这里把他们加到CUDA的文件夹下
tar-xzvf cudnn-6.5-linux-R1.tgzcd cudnn-6.5-linux-R1
sudo cp lib* /usr/local/cuda/lib64/ （该命令是在解压后的文件夹中运行终端）
sudo cp cudnn.h /usr/local/cuda/include/
执行后发现还是找不到库， 报错
error while loading shared libraries: libcudnn.so.6.5: cannot open shared object file: No such file or directory
而lib文件夹是在系统路径里的，用ls -al发现是文件权限的问题，因此用下述命令先删除软连接
cd /usr/local/cuda/lib64/
sudo rm -rf libcudnn.so libcudnn.so.6.5
修改文件权限，并创建新的软连接
sudo chmod u=rwx,g=rx,o=rx libcudnn.so.6.5.18
sudo ln -s libcudnn.so.6.5.18libcudnn.so.6.5
sudo ln -s libcudnn.so.6.5libcudnn.so
7.安装OpenBLAS
下载编译openBLAS
默认安装目录 /opt/OpenBLAS
在~/.bashrc 中添加路径
LD_LIBRARY_PATH=/opt/OpenBLAS/lib:$LD_LIBRARY_PATH
export LD_LIBRARY_PATH
也可以在/etc/ld.so.conf中添加文件
把路径/opt/OpenBLAS/lib添加到文件中,运行sudo ld config
8.修改Makefile.conf(根据官网和Makefile.conf.example中注释修改)
Make all -j12
Make test
Make runtest
编译Matlab wrapper
makematcaffe
编译Python wrapper
makepycaffe
㈤ caffe 搭载哪一个版本的matlab
1. 安装matlab
解压压缩包，是rar文件，可以在win下解压好。要不转个解压rar的软件。里面的.iso文件大概7g多。在对应目录下打开命令行窗口，
创建新的文件夹，将matlab挂载到Linux
[plain] view plain
sudo mkdir matlab
[plain] view plain
sudo mount -o loop MATHWORKS_R2014A.iso matlab
进入目录，开始安装
[plain] view plain
cd matlab
./install
接下来的安装和win下差不多，因为我的usr空间不足，所以我装在home/sindyz/software/matlab2014目录下,在配置caffe路径的时候要添加此路径
选在本地安装，序列号在crack/readme.txt中
安装完成后，需要激活
licence : Crack/license_405329_R2014a.lic的完整路径；
将Crack/Linux/下的.so文件替换到matlab安装目录，如下，这个需要在root下进行，sudo su
[plain] view plain
cp Crack/Linux/libmwservices.so matlab2014/bin/glnxa64/
在matlab/bin下运行：./matab
即可运行
2. caffe下matcaffe配置
这里要说明的是，caffe中matlab只支持gcc4.7，但是ubuntu14.04默认安装的是4.8.运行
[plain] view plain
sudo apt-get install gcc-4.7
sudo apt-get install g++-4.7
安装完成后：
首先，需要修改Makefile.config里面matlab的路径：(matlab安装路径)，我的是
MATLAB_DIR := /home/sindyz/software/matlab2014
保存，重行编译caffe
sudo make clean
make all
make test
make runtest
make matcaffe
make pycaffe
到此，caffe的配置基本完成，对于没有安装caffe和cuda的
㈥ linux caffe支持的cuda capability 最小是多少
由于最近安装了Ubuntu16.04，苦于之前配置Caffe的教程都在版本14.04左右，无奈只能自己摸索，最终配置成功。本文教程的特点是不需要降级gcc的版本，毕竟cuda7.5不支持gcc5以上(默认不支持，实际支持)，避免出现一系列乱七八糟的问题，反正之前我是碰到了。
本文是在参考caffe官网教程（http://caffe.berkeleyvision.org/installation.html）结合自己总结经验而来，对此表示感谢。
1.所需文件下载
1.1.Ubuntu16.04在官网下载（http://www.ubuntu.org.cn/download/desktop），然后在windows下用UltraISO制作，相关文章搜索有一大片，此处不再赘述。
1.2.cuda7.5下载，下载的版本是ubuntu15.04的run文件，个人感觉比较方便。
1.3.cudnn4.0下载（https://developer.nvidia.com/cudnn），进去之后如果有注册过nvidia的账户直接点击download，否则需要注册一个账户，注册完之后有一个调查，随便选几个钩就可以，然后下一步是接受条款开始就可以下载了。
1.4.caffe下载（https://github.com/BVLC/caffe）就在官方的github下载就可以了。
2.显卡驱动安装
2.1.第一种方法是直接在ubuntu系统设置，软件和更新里面，选择中国的服务器源刷新之后，点击附加驱动选项，在Nvidia Corporation选择361.42(强迫症必须安装最新的)，然后点击应用更改，下载安装完之后重启。
2.2.第二种方法是去官方下载（http://www.geforce.cn/drivers）好驱动的run文件，选择对应显卡型号下载。然后关机把显示器插到集成显卡接口上，或者终端下
sudo gedit /etc/modprobe.d/blacklist.conf
输入密码后在最后一行编辑上
blacklist nouveau
Ctrl +C保存后终端输入
sudo update-initramfs -u
重启之后在界面按Ctrl+Alt+F2，输入root以及密码，然后
service lightdm stop
sh 你自己的驱动文件的完整路径，默认选项就可以安装了，安装后重启
3.Cuda7.5安装
3.1.以文件名为cuda.run为例，终端下输入
sh cuda.run --override 启动安装程序，此处有大量的条款，一路空格到最后 输入accept，依次输入y回车，然后n(不安装显卡驱动)，然后一路y回车，有一个地方需要输入密码，还有两个地方确认安装路径，直接回车即可，完成安装，默认安装路径是/usr/local
将下载下来的cudnn-7.0-linux-x64-v4.0-prod.tgz 解压之后，解压后的cuda文件夹先打开里面的include文件夹，空白右键在终端打开输入：
sudo cp cudnn.h /usr/local/cuda/include/
cd ~/cuda/lib64
sudo cp lib* /usr/local/cuda/lib64/
继续更新文件链接
cd /usr/local/cuda/lib64/
sudo rm -rf libcudnn.so libcudnn.so.4
sudo ln -s libcudnn.so.4.0.7 libcudnn.so.4
sudo ln -s libcudnn.so.4 libcudnn.so
然后设置环境变量
sudo gedit /etc/profile
在末尾加入
PATH=/usr/local/cuda/bin:$PATH
export PATH
保存之后创建链接文件
sudo vim /etc/ld.so.conf.d/cuda.conf
键盘按i进入编辑状态，添加文字
/usr/local/cuda/lib64
然后按esc，输入:wq保存退出。
终端下接着输入
sudo ldconfig 使链接生效
4.生成Cuda Sample测试
首先在此之前先把需要的依赖包都安装好，为接下来make caffe做准备
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-dev
sudo apt-get install libatlas-base-dev
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
然后开始make samples ，终端下
cd /home/gomee/NVIDIA_CUDA-7.5_Samples
sudo make all -j4
我是4核电脑所以用了j4，正常情况下肯定会报错“unsupported GNU version! gcc versions later than 4.9 are not supported!”，原因就是这个cuda不支持gcc5.0以上，终端运行
cd /usr/local/cuda-7.5/include
cp host_config.h host_config.h.bak
sudo gedit host_config.h
Ctrl+F寻找有”4.9”的地方，应该是只有一处，在其上方的
#if __GNUC__ > 4 || (__GNUC__ == 4 && __GNUC_MINOR__ > 9)将两个4改成5，保存退出，继续
cd /home/gomee/NVIDIA_CUDA-7.5_Samples
sudo make all -j4
这就应该开始make了，此处大约有5、6分钟。完成之后
cd /home/gomee/NVIDIA_CUDA-7.5_Samples/bin/x86_64/linux
./deviceQuery
会出现类似以下的信息
CUDA Device Query (Runtime API) version (CUDART static linking)
Detected 1 CUDA Capable device(s)
Device 0: "GeForce GTX 750 Ti"
CUDA Driver Version / Runtime Version 8.0 / 7.5
CUDA Capability Major/Minor version number: 5.0
Total amount of global memory: 2047 MBytes (2146762752 bytes)
( 5) Multiprocessors, (128) CUDA Cores/MP: 640 CUDA Cores
GPU Max Clock rate: 1228 MHz (1.23 GHz)
Memory Clock rate: 3004 Mhz
Memory Bus Width: 128-bit
L2 Cache Size: 2097152 bytes
Maximum Texture Dimension Size (x,y,z) 1D=(65536), 2D=(65536, 65536), 3D=(4096, 4096, 4096)
Maximum Layered 1D Texture Size, (num) layers 1D=(16384), 2048 layers
Maximum Layered 2D Texture Size, (num) layers 2D=(16384, 16384), 2048 layers
Total amount of constant memory: 65536 bytes
Total amount of shared memory per block: 49152 bytes
Total number of registers available per block: 65536
Warp size: 32
Maximum number of threads per multiprocessor: 2048
Maximum number of threads per block: 1024
Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
Max dimension size of a grid size (x,y,z): (2147483647, 65535, 65535)
Maximum memory pitch: 2147483647 bytes
Texture alignment: 512 bytes
Concurrent and kernel execution: Yes with 1 engine(s)
Run time limit on kernels: Yes
Integrated GPU sharing Host Memory: No
Support host page-locked memory mapping: Yes
Alignment requirement for Surfaces: Yes
Device has ECC support: Disabled
Device supports Unified Addressing (UVA): Yes
Device PCI Domain ID / Bus ID / location ID: 0 / 1 / 0
Compute Mode:
< Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >
deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 8.0, CUDA Runtime Version = 7.5, NumDevs = 1, Device0 = GeForce GTX 750 Ti
Result = PASS
这就说明成功了。
5.Python配置
将之前github下载的caffe压缩文件解压缩到任一目录，然后安装python
python的版本安装有两种方式：
第一是直接安装anaconda，去官网下载 ，选择linux 64bit 2.7版本下载安装，anaconda安装方便但是需要在最后的make配置文件中更改python包含路径。
第二种方法就是使用原生的python2.7版本，终端下
sudo apt-get install python-pip 安装pip
这里我们用pip安装一些python需要的依赖包，不过为了避免各种问题，也可以通过apt-get安装，反正我这两种方式都安装了一遍(-.-)
sudo apt-get install python-numpy python-scipy python-matplotlib ipython ipython-notebook python-pandas python-sympy python-nose
以caffe默认解压到/home/user(你的用户名)/ ，文件夹名名称caffe为例
cd /home/user/caffe/python
sudo su
for req in $(cat requirements.txt); do pip install $req; done
这里用pip安装可能速度很慢，很可能下载好几个小时，推荐用清华大学的pip源临时安装，所以命令改为如下：
for req in $(cat requirements.txt); do pip install -i https://pypi.tuna.tsinghua.e.cn/simple $req; done
这里如果第一次有很多红字错误，建议再运行几遍指导安装成功，对于黄字提示无需理会，可能是pip版本需要更新。
6.Caffe编译过程
接下来要进入最后的步骤了，终端中
cd /home/user/caffe
cp Makefile.config.example Makefile.config
gedit Makefile.config
将USE_CUDNN := 1 取消注释，在
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include后面打上一个空格 然后添加/usr/include/hdf5/serial 如果没有这一句可能会报一个找不到hdf5.h的错误
PYTHON_INCLUDE := /usr/include/python2.7 \
/usr/lib/python2.7/dist-packages/numpy/core/include先不做更改。
如果是需要生成matlab的caffe wrapper 请取消注释MATLAB_DIR然后替换为自己的目录
说一下提前会出现的问题：
第一，make过程中出现比如 string.h ‘memcy’ was not declared in this scope的错误是由于gcc编译器版本太新，解决方法是打开makefile搜索并替换
NVCCFLAGS += -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)
为
NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)
保存退出
第二，在make过程中还会报一个ld找不到libhdf5 和libhdf5_hl的链接问题，这个原因可能也是因为hdf5的问题，首先看/usr/lib/x86_64-linux-gnu 目录下有没有libhdf5.so和libhdf5_hl.so，如果有的话，查看属性是否有正确的链接(正常情况下应该是没有这两个文件)，然后右键在终端中打开
sudo ln libhdf5_serial.so.10.1.0 libhdf5.so
sudo ln libhdf5_serial_hl.so.10.0.2 libhdf5_hl.so
注意，10.1.0和10.0.2可能不同电脑安装版本不同，注意看当前目录下存在的文件然后
sudo ldconfig 生效
接下来就是直接编译的过程
cd /home/user/caffe
make all -j4
make test -j4
make runtest
make pycaffe
make matcaffe
如果编译没报错正常的话，基本就没问题了。测试python打开
cd /home/user/caffe/python
python
import caffe
如果不报错就说明编译成功
测试matlab打开./caffe/matlab/+caffe/private，看有没有生成一个caffe的mex文件，可以运行+test文件夹里面的程序测试。
小问题：
在使用python接口的时候，可能会报一个什么错误(我给忘记了–!)，对了是’Mean shape incompatible with input shape.’的错误，处理方法是python/caffe文件夹，编辑io.py文件，将
if ms != self.inputs[in_][1:]:
raise ValueError('Mean shape incompatible with input shape.')
替换为
if ms != self.inputs[in_][1:]:
print(self.inputs[in_])
in_shape = self.inputs[in_][1:]
m_min, m_max = mean.min(), mean.max()
normal_mean = (mean - m_min) / (m_max - m_min)
mean = resize_image(normal_mean.transpose((1,2,0)),in_shape[1:]).transpose((2,0,1)) * (m_max - m_min) + m_min
然后make clean再重新make
7.总结
至此，Ubuntu16.04下编译Caffe的教程就结束了，作者历时三天，装了好几遍系统，刚开始用Ubuntu14.04，结果系统出现问题，强迫症实在受不了，就尝试着装16.04继续折腾，最终折腾成功。以后可能会更新python3下的编译教程，需要自己编译boost版本，总之也很麻烦。
㈦ caffe windows10 vs2013怎么配置
我们可以在ubuntu下训练好caffemodel之后，在vs中调用已经训练好的模型，或者直接在windows下直接训练模型，这些都需要在windows下配置caffe。
有两种方法可以配置：
一种是直接上caffe官网：
3.运行./src/caffe/proto/extract_proto.bat，生成caffe.pb.h,，caffe.pb.cc以及caffe_pb2.py。一开始发现生成不了，3rdparty/bin目录下没有protoc.exe，后来发现自己下载的第三方库是之前没有更新的，重新从上面的网址下载第三方库并覆盖即可。
4.如果你和我一样cuda版本不是7.0，则进入buildVS2013目录，用notepad打开.vcxproj文件，将里面的7.0都换成你的cuda版本，我这里是6.5。如果你不想编译无cuda版的，则跳过这一步。
5.打开buildVS2013目录下的MainBuilder.sln，如果还是无法加载，看看输出信息，我遇到过提示我一个cuda的props文件找不到，我就手动搜了一下，然后放到相应的目录下就可以加载了。
6.在每个项目的c/c++选项卡中把附加包含目录和附加库目录改成你自己的。
7.如果你不需要Python和matlab接口，直接将matcaffe和pycaffe两个工程卸载掉即可。然后就可以开始编译了。编译的时候如果有遇到提示找不到device_atomic_functions.hpp，直接将其注释就行。
8.测试。
㈧ 如何快糙好猛地在Windows下编译CAFFE并使用其matlab和python接口
一、准备
需要用到的东西我已经帮大家全部准备好了，有2016年2月4日刚刚从caffe官方master分支fork过来的源代码。有我自己亲手制作的第三方库，在源码的根目录下建立个3rdparty文件夹，把文件解压进去就可以了。
解压好之后，要将3rdparty/bin文件夹添加到环境变量的PATH中，这样才能让程序找到这些第三方库的dll。
最后是CUDA和MKL了，MKL是可选的，大家可以去Intel官方申请，如果不用cpu模式的话其实也无所谓，在第三方库包中我还提供了openblas的库文件。
我使用的是CUDA 7.5版，建议大家也安装这个版本。
二、编译
编译非常简单，分为以下几步：
1、双击./src/caffe/proto/extract_proto.bat批处理文件来生成caffe.pb.h和caffe.pb.cc两个c++文件，和caffe_pb2.py这个Python使用的文件。
2、打开./buildVS2013/MainBuilder.sln，打开之后切换编译模式至Release X64模式。如果打开之后显示加载失败，可能你的CUDA版本和我的不一致，我的是CUDA 7.5版，这时就要用记事本打开./buildVS2013目录下各个文件夹内的.vcxproj文件，搜索CUDA 7.5，把这个7.5换成你自己的CUDA版本，就可以正常打开了。
另外，如果你的显卡比较老或者没有显卡，请使用./build_cpu_only/MainBuilder.sln。
3、点上边工具栏中的绿色三角编译吧。编译大概需要半小时左右，请耐心等待。
如果要用matlab wrapper来提取特征、观察训练好的权重的话呢，只需要把matcaffe项目里面的matlab目录修改成你自己的，然后编译，你就能从matlab/+caffe/private文件夹里面找到一个叫caffe_.mexw64的文件啦。
python的wrapper类似，把pycaffe项目里的python目录改成你自己的（我用的是Anaconda），就能在python/caffe文件夹中生成_caffe.pyd的python dll文件。
三、测试
到 下载已经转换好的MNIST的leveldb数据文件，解压至./examples/mnist文件夹中，然后运行根目录下的run_mnist.bat即可开始训练，训练日志会保存在./log文件夹中，以INFO开头，txt格式的日志文件中。
ps：如果你编译成功的话，不要忘了给我的github工程点个star！
四、旧更新日志
2015/02/25 微软制作了一个caffe的windows版，他们更加专业，做出来的solution更加容易维护，第三方库完全由Nuget进行管理，几乎不用配置什么东西
2015/12/09 我总结了一下比较常见的问题，写在 里，而且未来会持续更新，如果碰到问题请先查看这个FAQ列表。
2015/09/14 Caffe现在支持单机多GPU啦，直接在caffe命令后面加--gpu=all或--gpu=0,1 即可使用多个GPU进行训练。
如果使用多gpu训练，不要直接点cmd窗口的X，最好使用Ctrl+C来终止程序，不然显卡驱动有时候会崩溃。
还有如果要在训练中途存一个snapshot，可以用Ctrl+Break。
因此一个正常的终止训练的操作是：
先Ctrl+Break保存当前工作状态，然后Ctrl+C终止训练。
2015/08/18 lmdb现在已经可以使用了，不过磁盘必须是NTFS格式的才可以。有需要的请到下载，并覆盖掉3rdparty/lib 中同名的文件，然后右键各个工程->仅用于项目->仅链接 即可，无需重新生成。
2015/08/08 有很多人报告（包括我自己）cuDNN v3 的速度比v2慢很多，因此master分支被我回滚回v2版本了，所幸cuDNN向下兼容，所以无需再次下载第三方库。
2015/08/06 新版caffe-windows上线了，由于vs2012编译速度太慢，从这个版本开始，不再对vs2012提供支持。
2015/07/07 现在caffe也支持VS2013了，第三方库全部更新至最新版本。请从下载并替换掉原有的build文件夹，其他步骤与先前版本一致。如果发现bug，烦请反馈给我，留言或在github上提issue均可。
2015/06/07 添加Insanity Layer（即randomized leaky rectified linear units），我也不知道为什么叫Insanity。。论文上说效果比PReLU还好些。
2015/06/05 将Caffe版本更新至6月5日的master分支，与上一版最大的不同在于matlab接口更加丰富，cudnn更新至v2版，所以要重新下载第三方库。
2015/06/05 Batch Normalization更新至新版，现在的默认mnist测试文件即为使用了Batch Normalization层的版本。
2015/05/29 发现上个版本的lmdb.lib使用了别人在vs2013下编译的版本，现改为vs2012版；
2015/05/29 添加了提取任意层特征的matlab接口，使用方法：
OUTPUT = caffe('get_features', INPUT, 'layername1,layername2...');11
例如：f = caffe('get_features', H, 'conv51,pool5'); 返回的f为2*1的cell类型，里面记录了层的名称和该层的特征。
现在有了更好的方法来获得每层特征，该函数不再更新。请参见新版matlab接口。
㈨ 如何编译lineage不支持的机型
首先整理相应的机型MK文件
device文件，android_device_$your-device-name
kernel文件，android_kernel_$your-device-name
vendor文件，android_vendor_$your-device-name
收集或者制作或者修改，完成，你的机型文件后
同步下载lineage的源码：
清华镜像源，打开看教程（同步出错有问题就网络，一般都有答案，系统最好在Linux和他的各种分支中选择>经常用Windows-觉得Mac很反人类-不过开发商好像很喜欢-可能是苹果给出的条件太好-没人能拒绝，我觉得Ubuntu不错,也很喜欢Deepin-适合新手-国内维护挺不错的）
然后整理MK文件：
也可以点这里，去官网找一下相关机型或品牌文件作为参考
比如我的手机是ZUK EDGE
##ZUKEDGE
#我的机型代号-z2x，这个是开发用的代号；
#我的内部机型-z2151，这个是从官方下载开源部分需要的型号；
#ZUK特殊部分其他机型不一定会有一般就是三个：device、kernel、vendor(非必有)
#<类型name="仓库名"path="文件路径"/>
<android
name="lineage"
path="~/bin/lineage"/>
<device
name="android_device_zuk_z2"
path="$android/device/zuk/z2x"/>
<device
name="android_device_zuk_msm8996-common"
path="$android/device/zuk/msm8996-common"/>#ZUK特殊部分
<kernel
name="android_kernel_zuk_msm8996"
path="$android/kernel/zuk/msm8996"/>#这个命名比较特别，打包开发的
<!--附加部分，vendor一般有生成脚本或者需要额外编写-->
<vendor
name="android_vendor_z2x"
path="$android/vendor/zuk/z2x"/>
<vendor
name="android_vendor_msm8996-common"
path="$android/vendor/zuk/msm8996-common"/>#ZUK特殊部分
#end
######错误部分，可以查阅，帮助理解，最好跳过，跳过
把上面的文件解包放置到相应文件夹下
device文件，android_device_$your-device-name
kernel文件，android_kernel_$your-device-name
vendor文件，android_vendor_$your-device-name"_"对应是一个文件夹分层，比如device就是在“android源码“文件夹下（看你怎么起名字，就是清华网站中提示你的“WORKING_DIRECTORY”文件夹，可以是‘android’、‘lineage’等等）的device文件夹下，你的机子品牌文件夹下，你的机型里（比如我的手机是ZUK EDGE-我是穷逼，没钱换机，我的相应机型代号就是z2x-根据代号搞开发,内部机型z2151-根据内部型号找官方开源代码，以下示例）
示例：
device:android_device_zuk_z2x
仓库文件就在:~/bin/lineageOS/device/zuk/z2x
kernel:android_kernel_zuk_msm8996#为什么这个忽然变成msm8996了呢，哈哈|
仓库文件就在:~/bin/lineageOS/kernel/zuk/msm8996#因为机型特别
vendor:android_vendor_zuk_z2x#一般是不提供这个仓库部分的，
#会有比如“extract-files.sh”等脚本
#需要连接你的手机，生成这些文件
以上引号部分是由网络自动保存编写错误部分
最后是编译：
sourcebuild/envsetup.sh
lunchlineage_z2x-userdebug#这条命令去查看机型文件夹下的lineage_*.mk文件,把z2x换成你的
cddevice/zuk/z2x#这条应该是你的机型文件夹，和下一条命令看情况找找你的vendor扩展脚本
./extract-files.sh#这个看情况，找找你的脚本
croot#返回lineage根目录
make-j8#开始编译ROM,后面的-j*是线程，看你的CPU而定
#看输出log，编译完成ROM在out文件夹下
这样就完成了：
看似简单，实则简单，但是肯定会出错，因为你是在学习，好好学，好好问问，学会用网络，别跟个愣头B一样，张嘴就是：我是小白，这个怎么弄，我不会啊，你教教我呗，这个什么意思；崽种不会自己学