命令行解析

JLU-IPVR

听笙

caffe有一些功能文件，如：convert_imageset.cpp,train_net.cpp, test_net.cpp等。经过编译后，这些文件都被编译成了可执行文件，放在了E:\caffe-windows\caffe-master\Build\x64\Debug\文件夹内（或者是Release里，具体看编译的版本是什么，可以Debug和Release两个版本都进行编译）。因此我们要执行caffe程序，都需要加E:\caffe-windows\caffe-master\Build\x64\Debug\  前缀，也可以将这个路径添加到系统的环境变量中，这样就可以在使用时不添加这个前缀了。

如：

caffe程序的命令行执行格式如下：

caffe <command> <args>

其中的<command>有这样四种：

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
• -iteration
• -model
• -sighup_effect
• -sigint_effect

注意前面有个-符号。对应的功能为：

-solver：必选参数。一个protocol buffer类型的文件，即模型的配置文件。如：

caffe.exe train -solver D:/examples/mnist/lenet_solver.prototxt

-gpu: 可选参数。该参数用来指定用哪一块gpu运行，根据gpu的id进行选择，如果设置为'-gpu all'则使用所有的gpu运行。如使用第二块gpu运行：

caffe.exe train -solver D:/examples/mnist/lenet_solver.prototxt -gpu 2

-snapshot:可选参数。该参数用来从快照（snapshot)中恢复训练。可以在solver配置文件设置快照，保存为solverstate。如：

caffe.exe train 

-solver D:/examples/mnist/lenet_solver.prototxt

-snapshot D:/examples/mnist/lenet_iter_5000.solverstate

这样做可以避免当训练过程中出现问题还需要从头开始训练。

-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。如：

caffe.exe train

-solver D:/examples/finetuning_on_flickr_style/solver.prototxt 

-weights D:/models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel

-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

 

刚才举例了一些train参数的例子，现在我们来看看其它三个<command>：

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

caffe.exe test

-model D:/examples/mnist/lenet_train_test.prototxt 

-weights examples/mnist/lenet_iter_10000.caffemodel 

-gpu 0 

-iterations 100

这个例子比较长，不仅用到了test参数，还用到了-model, -weights, -gpu和-iteration四个参数。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)。

time参数用来在屏幕上显示程序运行时间。如：

caffe.exe time 

-model D:/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。

caffe.exe time 

-model D:/examples/mnist/lenet_train_test.prototxt 

-gpu 0

这个例子用来在屏幕上显示lenet模型用gpu迭代50次所使用的时间。

caffe.exe time 

-model examples/mnist/lenet_train_test.prototxt 

-weights examples/mnist/lenet_iter_10000.caffemodel 

-gpu 0 

-iterations 10

利用给定的权重，利用第一块gpu，迭代10次lenet模型所用的时间。

device_query参数用来诊断gpu信息。

caffe.exe device_query -gpu 0

最后，我们来看两个关于gpu的例子

caffe.ex train 

-solver D:/examples/mnist/lenet_solver.prototxt 

-gpu 0,1

caffe.exe train 

-solver examples/mnist/lenet_solver.prototxt 

-gpu all

这两个例子表示： 用两块或多块GPU来平行运算，这样速度会快很多。但是如果你只有一块或没有gpu, 就不要加-gpu参数了，加了反而慢。