Caffe深度学习框架上手教程讲解.docx

 HYPERLINK /t/caffe/281 Caffe 深度学习框架上手教程  HYPERLINK /c/ji-qi-xue-xi 机器学习 HYPERLINK /c/ji-qi-xue-xi/deep-learning Deep Learning  HYPERLINK /tags/caffe caffe  HYPERLINK / Caffe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 HYPERLINK / 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-net layers {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:conv1 type:CONVOLUTION bottom:data top:conv1 convolution_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。 Blob Blob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:GPU Caffe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 nouveau sudoapt-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Xserver sudo kill all Xorg 安装了CUDA之后，依次按照 HYPERLINK /installation.html 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/mnist sh 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：Lm