Caffe 深度学习框架上手教程(转载)

最新推荐文章于 2022-02-25 20:15:00 发布

JaronDeng

最新推荐文章于 2022-02-25 20:15:00 发布

阅读量285

点赞数

分类专栏：学习

学习专栏收录该内容

1 篇文章 0 订阅

订阅专栏

Caffe 深度学习框架上手教程

Caffe是一个清晰而高效的深度学习框架，本文详细介绍了caffe的优势、架构，网络定义、各层定义，Caffe的安装与配置，解读了Caffe实现的图像分类模型AlexNet，并演示了CIFAR-10在caffe上进行训练与学习。

Caffe是一个清晰而高效的深度学习框架，其作者是博士毕业于UC Berkeley的贾扬清，目前在Google工作。

Caffe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的优势
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。
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。
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.
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。
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。

Caffe的网络定义
Caffe中的网络都是有向无环图的集合，可以直接定义：
name: “dummy-net”
layers {name: “data” …}
layers {name: “conv” …}
layers {name: “pool” …}
layers {name: “loss” …}

数据及其导数以blobs的形式在层间流动。
Caffe的各层定义
Caffe层的定义由2部分组成：层属性与层参数，例如
name:“conv1”
type:CONVOLUTION
bottom:“data”
top:“conv1”
convolution_param{
num_output:20
kernel_size:5
stride:1
weight_filler{
type: “xavier”
}
}这段配置文件的前4行是层属性，定义了层名称、层类型以及层连接结构（输入blob和输出blob）；而后半部分是各种层参数。

Blob
Blob是用以存储数据的4维数组，例如:
对于数据：NumberChannelHeightWidth
对于卷积权重：OutputInputHeightWidth
对于卷积偏置：Output11*1

训练网络

网络参数的定义也非常方便，可以随意设置相应参数。
甚至调用GPU运算只需要写一句话：
solver_mode:GPU

Caffe的安装与配置

Caffe需要预先安装一些依赖项，首先是CUDA驱动。不论是CentOS还是Ubuntu都预装了开源的nouveau显卡驱动（SUSE没有这种问题），如果不禁用，则CUDA驱动不能正确安装。以Ubuntu为例，介绍一下这里的处理方法，当然也有其他处理方法。

生成mnist-train-leveldb/ 和 mnist-test-leveldb/，把数据转化成leveldb格式：

训练网络:
#sudo vi/etc/modprobe.d/blacklist.conf

增加一行：blacklist nouveau

sudoapt-get --purge remove xserver-xorg-video-nouveau #把官方驱动彻底卸载：
sudoapt-get --purge remove nvidia-* #清除之前安装的任何NVIDIA驱动
sudo service lightdm stop #进命令行，关闭Xserver
sudo kill all Xorg
安装了CUDA之后，依次按照Caffe官网安装指南安装BLAS、OpenCV、Boost即可。

Caffe跑跑MNIST试试
在Caffe安装目录之下，首先获得MNIST数据集：
cd data/mnist
sh get_mnist.sh

生成mnist-train-leveldb/ 和 mnist-test-leveldb/，把数据转化成leveldb格式：
cd examples/lenet
sh create_mnist.sh

训练网络:
sh train_lenet.sh
让Caffe生成的数据集能在Theano上直接运行

不论使用何种框架进行CNNs训练，共有3种数据集：

Training Set：用于训练网络

Validation Set：用于训练时测试网络准确率

Test Set：用于测试网络训练完成后的最终正确率

Caffe生成的数据分为2种格式：Lmdb和Leveldb

它们都是键/值对（Key/Value Pair）嵌入式数据库管理系统编程库。

虽然lmdb的内存消耗是leveldb的1.1倍，但是lmdb的速度比leveldb快10%至15%，更重要的是lmdb允许多种训练模型同时读取同一组数据集。

因此lmdb取代了leveldb成为Caffe默认的数据集生成格式。

Google Protocol Buffer的安装

Protocol Buffer是一种类似于XML的用于序列化数据的自动机制。

首先在Protocol Buffers的中下载最新版本：

https://developers.google.com/protocol-buffers/docs/downloads

解压后运行：

./configure
$ make
$ make check
$ make install
pip installprotobuf

添加动态链接库

export LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH

Lmdb的安装

pip install lmdb

要parse（解析）一个protobuf类型数据，首先要告诉计算机你这个protobuf数据内部是什么格式（有哪些项，这些项各是什么数据类型的决定了占用多少字节，这些项可否重复，重复几次），安装protobuf这个module就可以用protobuf专用的语法来定义这些格式（这个是.proto文件）了，然后用protoc来编译这个.proto文件就可以生成你需要的目标文件。

想要定义自己的.proto文件请阅读：

https://developers.google.com/protocol-buffers/docs/proto?hl=zh-cn

编译.proto文件

protoc–proto_path=IMPORT_PATH --cpp_out=DST_DIR --java_out=DST_DIR–python_out=DST_DIR path/to/file.proto
–proto_path 也可以简写成-I 是.proto所在的路径
输出路径：
–cpp_out 要生成C++可用的头文件，分别是***.pb.h（包含申明类）**.pb.cc（包含可执行类），使用的时候只要include “.pb.h”
–java_out 生成java可用的头文件
–python_out 生成python可用的头文件，_pb2.py，使用的时候import_pb2.py即可
最后一个参数就是你的.proto文件完整路径。
Caffe (CNN, deep learning) 介绍
Caffe -----------Convolution Architecture For Feature Embedding (Extraction)
Caffe 是什么东东？
CNN (Deep Learning) 工具箱
C++ 语言架构
CPU 和GPU 无缝交换
Python 和matlab的封装
但是，Decaf只是CPU 版本。
为什么要用Caffe？
运算速度快。简单友好的架构用到的一些库：
Google Logging library (Glog): 一个C++语言的应用级日志记录框架，提供了C++风格的流操作和各种助手宏.
lebeldb(数据存储)：是一个google实现的非常高效的kv数据库，单进程操作。
CBLAS library（CPU版本的矩阵操作）
CUBLAS library (GPU 版本的矩阵操作)
Caffe 架构
预处理图像的leveldb构建
输入：一批图像和label （2和3）
输出：leveldb （4）
指令里包含如下信息：
conver_imageset （构建leveldb的可运行程序）
train/ （此目录放处理的jpg或者其他格式的图像)
label.txt (图像文件名及其label信息)
输出的leveldb文件夹的名字
CPU/GPU (指定是在cpu上还是在gpu上运行code)
CNN网络配置文件