人工智能从0基础到项目实战课程，包涵从0基础python开始到机器学习项目实战，还有很多就不一一列举了，看完记得好评

本课程是在windows环境下的caffe课程，主要使用的是python的接口。 首先带着大家完成一个MNIST手写数字识别的项目，让大家了解caffe训练模型的大致流程。然后会讲到caffe中的一些重要文件和配置，使用python绘图。后的部分会使用GoogleNet实现图像识别。

可以实现windows下画caffe训练过程的损失函数，精度等的变化情况，

编译的配置：win10 64-python2.7+cuda10.0+cudnn7.6.5.+NVIDIA GeForce RTX 2060。下载后，解压，将caffe文件夹置于python的库目录下，例如置于venv\Lib\site-packages\下，python中使用import caffe进行测试。不出意外，直接可用，无需再从caffe-master从头编译生成。

caffe-master：2022年1月20日下载

此转换器可用于将 Caffe 代码和层移植到 PyTorch。 特征： 将 caffemodel 的权重转储为 hdf5、npy、pt 和 json 格式 加载 Caffe 模型并从 PyTorch 使用它们 模拟 PyCaffe API 以允许平滑移植使用 Caffe 的代码（用于将 train/eval 中的后端更改为脚本如下）： 网络、Blob、SGDSolver 包装 Caffe 的 Python 层（参见 OICR 示例） PyTorch 中 ROI 池化的示例，无需手动编译 CUDA 代码（参见 OICR 示例） 层支持不像那样完整。 目前它支持以下 Caffe 层： 卷积（num_output、kernel_size、stride、pad、dilation；常数和高斯权重/偏置填充） 内部产品（num_output；常数和高斯权重/偏置填充物） 最大/平均池化（

imagenet-caffe-alex.mat 用于matlab中CNN+SVM使用

yolox的caffe模型推理（从pt模型转换成caffe模型后的推理不包括模型转换）测试工程连接

该caffe.model适用于opencv入门学习中的实验教程，主要完成性别和年龄的预测，下面是参考教程：https://blog.csdn.net/Haiqiang1995/article/details/90113486

caffe的已经转成lmdb格式的MNIST数据