搭建caffe(仅cpu)

caffe 简介

Caffe是一个清晰而高效的深度学习框架，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 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。

安装caffe与训练网络

我的ubantu版本是16.04，然后因为刚接触，为了安装方便，使用的是cpu模式的caffe。

安装步骤

大致有以下步骤

sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-dev
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
sudo apt-get install libatlas-base-dev
git clone git://github.com/BVLC/caffe.git
cp Makefile.config.example Makefile.config
make all -j8
make test -j8
make runtest -j8

安装并编译成功后，进入caffe目录，ls一下

然后进入data目录，下载一下数据集，我下载的是mnist.

cd data/mnist
./get_mnist.sh

接下来将数据转化成leveldb格式

返回到caffe目录
./examples/mnist/create_mnist.sh

训练网络:

./examples/mnist/train_lenet.sh

接着，会出来一行一行的运行反馈，当Iteration(迭代)达到10000次的时候，就会停止，出现Optimization Done.

还可以对训练后的结果进行测试。

./build/tools/caffe.bin test -model examples/mnist/lenet_train_test.prototxt -weights examples/mnist/lenet_iter_10000.caffemodel -iterations 10

caffe python接口使用

识别lenet手写数字的实例

import os
import sys
import numpy as np
from scipy.misc import imread,imresize
import matplotlib.pyplot as plt
caffe_root='/usr/local/caffe/'
sys.path.insert(0,caffe_root+'python')
import caffe
MODEL_FILE=caffe_root+'examples/mnist/lenet.prototxt'
PRETRAINED=caffe_root+'examples/mnist/lenet_iter_10000.caffemodel'
IMAGE_FILE=caffe_root+'examples/images/cat.jpg'
input_image=caffe.io.load_image(IMAGE_FILE,color=False)
net=caffe.Classifier(MODEL_FILE,PRETRAINED)
prediction=net.predict([input_image],oversample=False)
caffe.set_mode_cpu()
img=imread(IMAGE_FILE)
plt.imshow(img)
plt.title(prediction[0].argmax())
plt.show()