One Step Closer

1. 설치 
   1.1 설치 경로 : https://www.anaconda.com/products/individual
   1.2 shell file 권한 및 실행
       $ chmod +x Anaconda*.sh && ./Anaconda*.sh
   
2. 관리
   2.1 conda version 확인
       $ conda --version
   2.2 사용 가능한 python 버전 확인
       $ conda search python
   2.3 conda 생성
       $ conda create -n python36conda python=3.6
   2.4 conda 활성화
       $ conda activate python36conda
   2.5 conda 삭제
       $ conda env remove -n python36conda
   2.6 환경 yml 파일로 부터 만들기(yml의 name 필드로 환경 이름이 새로 생성됨)
       $ conda env create -f env.yml
   2.7 conda 환경 yml 파일로 exporting
       $ conda env export > environment.yaml 

True Positive  : 

    + 긍정적 참

    + A를 찾아야 하는데 A가 들어왔을때 A라고 답변함(긍정할 것을 긍정함)

    + 찾아야 할 것을 잘 찾음
True Negative  : 

    + 부정적 참

    + A를 찾아야 하는데 B가 들어왔을때 B라고 답변함(부정할 것을 부정함)

    + 찾지 말아야 할 것을 찾지 않음
False Positive : 

    + 긍정적 거짓

    + A를 찾아야 하는데 A가 들어왔는데 B라고 답변함(긍정할 것을 부정함)

    + 찾아야 할 것을 찾지 않음
Fase Negative  : 

    + 부정적 거짓

    + A를 찾아야 하는데 B가 들어왔는데 A라고 답변함(부정할 것을 긍정함)

    + 찾지 않아야 할 것을 찾음



Accuracy : 

    + True Positive / Total dataset 
    + 전체 시도 횟수 중 참의 값 즉 정답률
    + Data들의 결과가 Balence 할 때에 유용함

Recall : 

    + True Positive / Total Given Data(True Positive + False Positive)
    + 주어진 전체 값들 중에서 정답률(A부터 D까지 주어졌을 때에 A를 찾을 확률)

Precision : 

    + True Positive / Total Dataset(True Positive + False Negative)
    + 특정 값에 대해서 예측한 값들 중에서 정답률(A만 주어졌을 때에 A라고 찾을 확률)

F1 Score : 

    + 2 X ((Precision X Recall) / (Precision + Recall))
    + Data가 Balence하지 않을때에 Accuracy보다 더 유용함(Harmonic mean/average)
    + Precision과 Recall의 조화평균

IoU :

    + True Positive / (True Positive+False Positive+False Negative)
    + 찾은것(정답이든 아니든) 중에 실제 정답률

AP : 

    + PR곡선(Precision, Recall)을 그렸을떄, 근사되는 넓이

mAP : 

    + (class1 AP + class2 AP + ... + classN AP)/N

최대 설정을 하지 않으면 성능적인 차이를 보임.

다만 실제 사용되는 코어 갯수는 확인을 해봐야함.

코어가 두개만 돌고 있을 경우 NVidia Desktop(GUI)에서 우측 상단에 보면 코어 갯수 설정 모드에서 실제 동작 코어 갯수를 동작 시킬 수 있음

현재 사용되는 코어는 top으로 process 갯수를 확인해도 되고 ,

tegrastats 으로도 확인할 수 있음

1. Caffe docker 설치
   GPU 버전의 Caffe와 같은 경우 nvidia-docker 플러그인이 추가적으로 설치 되어 있어야 함
   $ docker pull bvlc/caffe:cpu // CPU only
   $ docker pull bvlc/caffe:gpu // GPU only(cuDNN Caffe)

2. CUDA 설치
   CUDA 및 cuDNN 라이브러리 관련 docker 이미지 및 docker shell 실행
   $ nvidia-docker pull nvidia/cuda:8.0-cudnn6-devel-ubuntu16.04
   $ nvidia-docker run -it -v /data:/data nvidia/cuda:8.0-cudnn6-devel-ubuntu16.04 /bin/bash --name myname

3. Caffe 빌드에 필요한 패키지 설치(docker 내 sudo 권한 필요없음)
   첫 실행시 업데이트 정보 최신화
   $ apt-get update;apt-get upgrade
   $ apt-get install build-essential cmake libblas-dev libboost-all-dev libprotobuf-dev libgoogle-glog-dev libgflags-dev libhdf5-dev libhdf5-serial-dev libopencv-dev liblmdb-dev libleveldb-dev libsnappy-dev protobuf-compiler libatlas-dev libatlas-base-dev git

4. Caffe 소스코드 다운로드
   $ git clone https://github.com/bvlc/caffe /data/caffe
   $ cd /data/caffe && git checkout tags/1.0
   $ cp Makefile.config.example Makefile.config

5. Makefile에서 cuDNN 설정

   # cuDNN acceleration switch (uncomment to build with cuDNN).

   USE_CUDNN := 1

6. caffe 빌드 및 설치
   $ mkdir build
   $ cd build
   $ cmake ..
   $ make all
   $ make install