Caffe——清晰高效的深度学习（Deep Learning）框

Caffe——清晰高效的深度学习（Deep Learning）框架

Caffe::set_mode(Caffe::GPU);  

Caffe的优势

1. 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。

2. 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.

3. 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。

4. 开放性：公开的代码和参考模型用于再现。
   

5. 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：NumberChannelHeight*Width

对于卷积权重：OutputInputHeight*Width

对于卷积偏置：Output11*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  

image

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。

在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  
sudokill all Xorg  

安装了CUDA之后，依次按照官网提示（http://caffe.berkeleyvision.org/installation.html）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：

#cddata/mnist  
#sh get_mnist.sh  

生成mnist-train-leveldb/ 和 mnist-test-leveldb/，把数据转化成leveldb格式：

# cdexamples/lenet   
#sh create_mnist.sh 

训练网络:

</pre><pre name="code" class="cpp">#sh train_lenet.sh 

image