前言

最近打算重新跟著官方教程學習一下caffe，順便也自己翻譯了一下官方的文檔。自己也做了一些標注，都用斜體標記出來了。中間可能額外還加了自己遇到的問題或是運行結果之類的。歡迎交流指正，拒絕噴子！
官方教程的原文鏈接：http://caffe.berkeleyvision.org/gathered/examples/web_demo.html

Web Demo

依賴項

這個服務器demo需要一些python依賴。為了確保你已經滿足了這些依賴庫，請運行`pip install -r examples/web_demo/requirements.txt，也要確保你已經成功編譯了caffe的python接口，并且已經添加到你的python路徑（PYTHONPATH）中。

確保你已經下載了CaffeNet的模型和ImageNet的附加數據集：（補充：下載會比較慢，嫌慢可以考慮“科學上網”，都懂得）

./scripts/download_model_binary.py models/bvlc_reference_caffenet ./data/ilsvrc12/get_ilsvrc_aux.sh

注釋：如果你運行是遇到了錯誤，試著重新下載那些附加的文件。

運行

運行python examples/web_demo/app.py會啟動demo的服務器，可以通過http://0.0.0.0:5000訪問。你可以開啟web服務器的調試模式，或是切換到另外的一個端口：

% python examples/web_demo/app.py -h Usage: app.py [options]Options:-h, --help show this help message and exit -d, --debug enable debug mode -p PORT, --port=PORT which port to serve content on

”最準確“的結果是如何產生的？

簡而言之，ImageNet的預測都是在葉節點上產生的，但是項目中的組織允許葉節點通過更具一般性的父節點組合起來，然而“實體”還是在最頂端。為了給出“最準確”的結果，我們從最大特定的預測退一步，來保持一個較高的準確率。demo中導入的bet_file文件提供了圖表結構和所有ImageNet相關結點的名字以及他們之間信息增益的度量。請查閱CVPR 2012的”Hedging your bets“這篇論文以獲取更多信息。

補充

為了正確導入caffe，將app.py文件的代碼修改一下：

運行指令：

python ./examples/web_demo/app.py

終端上會打印出網絡信息以及服務器信息：

在瀏覽器訪問：http://0.0.0.0:5000

*如果前面下載好了ImageNet下訓練好的模型，那么我們可以打開一張圖片預測看看：
預測一只橘貓：*

預測結果截圖：

總結

以上是生活随笔為你收集整理的Caffe官方教程翻译（2）：Web demo的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。