caffe学习（3）接口

接口Interfaces

---

Interfaces

Caffe提供丰富的接口，比如命令行，python，matlab。先说一下命令行

命令行

---

caffe命令及其参数解析，Single、Dog

Caffe的程序位于caffe / build / tools，运行时可以在根目录执行./build/tools/caffe <command><args>。
其中<command>有四种：

• train：训练或finetune模型(model)
• test：测试模型
• device_query：显示gpu信息
• time：显示程序执行时间

其中的<args>参数有：

• -solver
• -gpu
• -snapshot
• -weights
• -model
• -sighup_effect
• -sigint_effect

训练train

caffe train可以从头开始学习模型、从已保存的快照中恢复学习或添加新数据进行fine-tunes。具体来说，所有训练需要通过-solver solver.prototxt参数进行求解器配置；恢复需要使用-snapshot model_iter_1000.solverstate参数来加载求解程序快照；fine-tunes微调需要模型初始化的-weights model.caffemodel参数。

# train LeNet 训练LeNet
caffe train -solver examples/mnist/lenet_solver.prototxt
# train on GPU 2 在特定的GPU上
caffe train -solver examples/mnist/lenet_solver.prototxt -gpu 2
# resume training from the half-way point snapshot 从快照恢复
caffe train -solver examples/mnist/lenet_solver.prototxt -snapshot examples/mnist/lenet_iter_5000.solverstate
# fine-tune CaffeNet model weights for style recognition 完整例子参阅examples/finetuning_on_flickr_style，仅调用可使用：
caffe train -solver examples/finetuning_on_flickr_style/solver.prototxt -weights models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel

对于train的参数，功能为：

• -solver：必选，后跟一个protocol buffer类型(.prototxt)的文件，即模型的配置文件。
• -gpu：可选，指定某一块GPU运行，-gpu all是所有运行：

# train on GPUs 0 & 1 (doubling the batch size)
caffe train -solver examples/mnist/lenet_solver.prototxt -gpu 0,1
# train on all GPUs (multiplying batch size by number of devices)
caffe train -solver examples/mnist/lenet_solver.prototxt -gpu all

• -snapshot：可选，从快照中恢复，设置快照可从solver配置中进行，保存为solverstate。
• -weights：可选参数。用预先训练好的权重来fine-tuning模型，需要一个caffemodel，不能和-snapshot同时使用。
• -iterations： 可选参数，迭代次数，默认为50。 如果在配置文件文件中没有设定迭代次数，则默认迭代50次。
• -model：可选参数，定义在protocol buffer文件中的模型。也可以在solver配置文件中指定。
• -sighup_effect：可选参数。用来设定当程序发生挂起事件时，执行的操作，可以设置为snapshot, stop或none, 默认为snapshot。
• -sigint_effect： 可选参数。用来设定当程序发生键盘中止事件时（ctrl+c), 执行的操作，可以设置为snapshot, stop或none, 默认为stop。

测试test

测试时输出每个batch得分，最后返回平均值。test参数用在测试阶段，用于最终结果的输出，要模型配置文件中我们可以设定需要输入accuracy还是loss. 假设我们要在验证集中验证已经训练好的模型，就可以这样写

# score the learned LeNet model on the validation set as defined in the
# model architeture lenet_train_test.prototxt
caffe test -model examples/mnist/lenet_train_test.prototxt -weights examples/mnist/lenet_iter_10000.caffemodel -gpu 0 -iterations 100

意思是利用训练好了的权重（-weight)，输入到测试模型中(-model)，用编号为0的gpu(-gpu)测试100次(-iteration)。

时间time

time参数用来在屏幕上显示程序运行时间。如：

# (These example calls require you complete the LeNet / MNIST example first.)
# time LeNet training on CPU for 10 iterations
caffe time -model examples/mnist/lenet_train_test.prototxt -iterations 10

这个例子用来在屏幕上显示lenet模型迭代10次所使用的时间。包括每次迭代的forward和backward所用的时间，也包括每层forward和backward所用的平均时间。