ubuntu18.04编译使用 caffe cpu 使用工具示例 训练示例

测试使用docker ubuntu18.04 docker使用参考
远程工具为MobaXterm_20.0汉化版本，工具链接ubuntu18.04 镜像获取 基本软件安装 基本设置 QT安装 推荐远程链接软件

1. 安装caffe cpu

1.1 安装依赖

apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
apt-get install --no-install-recommends libboost-all-dev  
apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
apt-get install libatlas-base-dev
apt-get install python-numpy
apt-get install libhdf5-serial-dev
apt-get install python-dev
apt install python-pip
pip install scikit-image

1.2 获取caffe源码

(如果没有安装git)apt-get install git
git clone git://github.com/BVLC/caffe.git

1.3 修改配置文件

cd caffe/
cp Makefile.config.example Makefile.config
vim Makefile.config

左侧代表文件Makefile.config的行号

8 CPU_ONLY := 1
23 OPENCV_VERSION := 3
97 INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial
98 LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu/hdf5/serial

1.4 编译

make -j4 pycaffe
make -j4 all
make -j4 test
make -j4 runtest

1.5 测试caffe

vim ~/.bashrc

文件末尾加上
export PYTHONPATH=/root/caffe/python:$PYTHONPATH	# 实际caffe代码编译后的python文件夹

生效刚刚修改的文件
source ~/.bashrc

pip install protobuf==3.17.3（默认的版本报错）

1.6 添加caffe到环境变量

编译后生成目录为build,caffe和其他工具在build/tools目录下


拷贝这个目录，编译bashrc文件

vim ~/.bashrc
export PATH=/root/caffe/build/tools:$PATH
source ~/.bashrc

运行caffe，如图表示成功

2. 测试绘制神经网络结构图

2.1 获取测试数据

2.1.1 获取基础数据

进入caffe获取data测试的目录

apt-get install wget
cd /root/caffe/data/mnist
./get_mnist.sh

2.1.2 将基础数据转换成caffe使用的数据

脚本路径及内容

可以看到目录应该在caffe主目录下执行

此时在examples/mnist目录下生成了两个目录mnist_train_lmdb和mnist_test_lmdb就是我们所需的测试数据

2.2 环境依赖和准备文件

apt-get install graphviz
pip install pydot

创建了一个新目录，加入一个新文件vim hbk_mnist.prototxt 内容如下（两个source为刚刚用脚本获取到的数据实际目录/caffe/examples/mnist/mnist_train_lmdb和/caffe/examples/mnist/mnist_test_lmdb）

name: "hbk_mnist"

# train/test lmdb数据层
layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    scale: 0.00390625
  }
  data_param {
    source: "/root/caffe/examples/mnist/mnist_train_lmdb"
    batch_size: 64
    backend: LMDB
  }
}
layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    scale: 0.00390625
  }
  data_param {
    source: "/root/caffe/examples/mnist/mnist_test_lmdb"
    batch_size: 100
    backend: LMDB
  }
}

# 全连接层，激活层为ReLU   784->500->10
layer {
  name: "ip1"
  type: "InnerProduct"
  bottom: "data"
  top: "ip1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 500
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}

layer {
  name: "relu1"
  type: "ReLU"
  bottom: "ip1"
  top: "re1"
}
layer {
  name: "ip2"
  type: "InnerProduct"
  bottom: "re1"
  top: "ip2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 10
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}

# 测试验证用，不必须，输出准确率
layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "ip2"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST
  }
}

# 代价Cost层
layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "ip2"
  bottom: "label"
  top: "loss"
}

2.3 使用Caffe自带的工具绘制神经网络结构图

绘制神经网络结构图的工具命令

python ../python/draw_net.py hbk_mnist.prototxt aa.png --rankdir=BT

此时就生成了对应的图像aa.png

python ../python/draw_net.py hbk_mnist.prototxt aa.png --rankdir=LR

3. caffe time 命令

评估模型执行的时间大概是多少（cpu） 如果是gpu需要后面添加 -gpu 0命令 （0代表gpu的id号）
需要先将 1.6 添加caffe到环境变量 设置好

caffe time -model hbk_mnist.prototxt -iterations 100

模型 -model hbk_mnist.prototxt
迭代次数 -iterations 100

可以看到结果100次迭代一共用了451ms

4. caffe train 训练命令

创建hbk_mnist_solver.prototxt文件，文件内容如下

# The train/test net 文件路径
net: "hbk_mnist.prototxt"

# test_iter specifies how many forward passes the test should carry out.
# In the case of MNIST, we have test batch size 100 and 100 test iterations,
# covering the full 10,000 testing images.
test_iter: 100

# 训练迭代多少次执行一次Test验证
test_interval: 500


# The base learning rate, momentum and the weight decay of the network.
base_lr: 0.01
momentum: 0.9
weight_decay: 0.0005

# The learning rate policy
lr_policy: "inv"
gamma: 0.0001
power: 0.75

# 多少次迭代输出一次信息
display: 100
# The maximum number of iterations
max_iter: 10001
# 存储中间结果
snapshot: 5000
snapshot_prefix: "snapshot"

# solver mode: CPU or GPU
solver_mode: CPU

执行命令开始训练

caffe train -solver hbk_mnist_solver.prototxt

输出结果

输出结果重定向到b.log (2标准输出也视作1错误输出)

caffe train -solver hbk_mnist_solver.prototxt >./b.log 2>&1
caffe train -solver hbk_mnist_solver.prototxt 2>&1 | tee a.log

此时运行后输出的结果就会打印到重定向后的文件中

5 caffe plot_training_log.py.example 将训练的日志导成图片工具使用

将日志打成图，更加直观看到训练结果

5.1 依赖安装（绘图和column命令）

apt install python-tk
apt install tk-dev
apt-get install bsdmainutils  （安装column命令,caffe脚本中需要用到column命令）

5.2 修改工具代码

plot_training_log.py.example文件前两行加上

import matplotlib
matplotlib.use('Agg')

5.3 运行查看使用说明

python plot_training_log.py.example

5.4 使用和结果

5.4.1 迭代次数和损失精度

注意当前目录（6: Train loss vs. Iters）

python ../tools/extra/plot_training_log.py.example 6 plotlog.png a.log

从docker中把图片拷到主机上

docker cp caffe:/root/caffe/mytrain/plotlog.png /mnt/hgfs/share/

可以看到在迭代了2000次以后损失精度已经下降不明显了，当然如果有时间机器不卡次数越多越好。看个人如何去取舍

5.4.2 准确度和迭代次数的关系图

0（Test accuracy vs. Iters）查看训练的结果的日志中的准确度和迭代次数的关系
python …/tools/extra/plot_training_log.py.example 0 plotlog_accuracy_vs_iters.png a.log

5.4.3 生成的其他的一些结果信息

可以看到多生成了文件a.log.test(测试信息)、a.log.train(训练信息)

参考

B站的视频：深度学习框架caffe视频教程
在Ubuntu上安装CPU版本的Caffe