Caffe 深度学习框架上手教程.docx

Caffe 深度学习框架上手教程机器学习Deep LearningcaffeCaffe是一个清晰而高效的深度学习框架，其作者是博士毕业于UC Berkeley的贾扬清，目前在Google工作。Caffe是纯粹的C++/CUDA架构，支持命令行、Python和MATLAB接口；可以在CPU和GPU直接无缝切换：Caffe::set_mode(Caffe::GPU);Caffe的优势上手快：模型与相应优化都是以文本形式而非代码形式给出。Caffe给出了模型的定义、最优化设置以及预训练的权重，方便立即上手。速度快：能够运行最棒的模型与海量的数据。Caffe与cuDNN结合使用，测试AlexNet模型，在K40上处理每张图片只需要1.17ms.模块化：方便扩展到新的任务和设置上。可以使用Caffe提供的各层类型来定义自己的模型。开放性：公开的代码和参考模型用于再现。社区好：可以通过BSD-2参与开发与讨论。Caffe的网络定义Caffe中的网络都是有向无环图的集合，可以直接定义：name:dummy-netlayers {name: data …}layers {name: conv …}layers {name: pool …}layers {name: loss …}数据及其导数以blobs的形式在层间流动。Caffe的各层定义Caffe层的定义由2部分组成：层属性与层参数，例如name:conv1type:CONVOLUTIONbottom:datatop:conv1convolution_param{ num_output:20 kernel_size:5 stride:1 weight_filler{type: xavier }}这段配置文件的前4行是层属性，定义了层名称、层类型以及层连接结构（输入blob和输出blob）；而后半部分是各种层参数。BlobBlob是用以存储数据的4维数组，例如对于数据：Number*Channel*Height*Width对于卷积权重：Output*Input*Height*Width对于卷积偏置：Output*1*1*1训练网络网络参数的定义也非常方便，可以随意设置相应参数。甚至调用GPU运算只需要写一句话：solver_mode:GPUCaffe的安装与配置Caffe需要预先安装一些依赖项，首先是CUDA驱动。不论是CentOS还是Ubuntu都预装了开源的nouveau显卡驱动（SUSE没有这种问题），如果不禁用，则CUDA驱动不能正确安装。以Ubuntu为例，介绍一下这里的处理方法，当然也有其他处理方法。# sudo vi/etc/modprobe.d/blacklist.conf# 增加一行：blacklist nouveausudoapt-get --purge remove xserver-xorg-video-nouveau #把官方驱动彻底卸载：sudoapt-get --purge remove nvidia-* #清除之前安装的任何NVIDIA驱动sudo service lightdm stop #进命令行，关闭Xserversudo kill all Xorg安装了CUDA之后，依次按照Caffe官网安装指南安装BLAS、OpenCV、Boost即可。Caffe跑跑MNIST试试在Caffe安装目录之下，首先获得MNIST数据集：cd data/mnistsh get_mnist.sh生成mnist-train-leveldb/ 和 mnist-test-leveldb/，把数据转化成leveldb格式：sh examples/mnist/create_mnist.sh训练网络:sh train_lenet.sh让Caffe生成的数据集能在Theano上直接运行不论使用何种框架进行CNNs训练，共有3种数据集：Training Set：用于训练网络Validation Set：用于训练时测试网络准确率Test Set：用于测试网络训练完成后的最终正确率Caffe生成的数据分为2种格式：Lmdb和Leveldb它们都是键/值对（Key/Value Pair）嵌入式数据库管理系统编程库。虽然lmdb的内存消耗是leveldb的1.1倍，但是lmdb的速度比leveldb快10%至15%，更重要的是lmdb允许多种训练模型同时读取同一组数据集。因此lmdb取代了leveldb成为Caffe默认的数据集生成格式。Google Protocol Buffer的安装Protocol Buffer是一种类似于XML的用于序列化数据的自动机制。首先在Protocol Buffers的中下载最新版本：/protocol-buffers/d