【Caffe】Caffe框架初识

Caffe框架作者：贾扬清

caffe框架参考：http://caffe.berkeleyvision.org/

caffe源码下载：https://github.com/BVLC/caffe

caffe上手参考：http://suanfazu.com/t/caffe/281

MakeFile文件内容梳理参考：http://blog.csdn.net/thystar/article/details/50837750

Caffe?

Caffe(Convolution Architecture For Feature Embedding),CNN工具箱，C++语言架构，支持CPU和GPU之间切换，支持Python和matlab接口调用。

Caffe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。

速度快：能够运行最棒的模型与海量的数据。

模块化：方便扩展到新的任务和设置上。

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。

数据集的组织：

训练集（Training Set）：用于训练网络；

验证集（Validation Set）: 训练过程中测试网络准确率；

测试集（Test Set）：测试训练最终模型的准确率。

CNN的网络配置文件：(以lenet为例)

lenet_train_test.prototxt：训练参数配置文件；

lenet_solver.prototxt：超参数配置文件。

两个初始学习训练集：

MINIST（手写字体识别数据集（handwritten digits））：http://yann.lecun.com/exdb/mnist/

CIFAR dataset（小图分类数据集）：http://www.cs.toronto.edu/~kriz/cifar.html

Caffe的重要组件：

Blob：是数据传输的媒介，神经网络涉及到的输入输出数据，网络权重参数等等，其实都是转化为Blob数据结构来存储的。
Layer：是神经网络的基础单元，层与层间的数据节点、前后传递都在该数据结构中被实现，这里layers下实现了卷积层、激励层，池化层，全连接层等等“积木元件”，丰富度很高。
Net：是网络的整体搭建骨架，整合Layer中的层级机构组成网络。

Solver：是网络的求解优化策略，让你用各种“积木”搭建的网络能最适应当前的场景下的样本，如果做深度学习优化研究的话，可能会修改这个模块。

Caffe依赖包：（参考深度学习21天实战Caffe）

Protobuf：Google开发的一种可以实现内存与非易失存储介质（如硬盘文件）交换的协议接口。Caffe源码中使用了大量的Protocolbuffer作为权重和模型参数的载体。是开发者对参数管理的有效方式，便于模块集成，而且该工具可以跨语言进行数据结构传递。

Caffe源码阅读流程：（下面的图来自于寒小阳在小象学院的公开课）

Caffe接口参数？

参考： http://blog.csdn.net/yan_joy/article/details/53054233