Caffe 深度学习框架上手教程

Caffe深度学习框架上手教程

UC

Berkeley 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

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。

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：Number*Channel*Height*Width

?对于卷积权重：Output*Input*Height*Width

?对于卷积偏置：Output*1*1*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。

# 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：

sh examples/mnist/create_mnist.sh

训练网络:

sh train_lenet.sh

?创建时间

15年1月4日

?

最后回复

15年6月4日

?6

回复

?21.1K

浏览

?3

用户

?8

赞

?9

链接

?5

?

blink

15-01-4

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：

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://https://www.sodocs.net/doc/90101619.html,/protocol-buffers/docs/proto?hl=zh

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）***https://www.sodocs.net/doc/90101619.html,（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。

blink

15-01-4

Caffe (CNN, deep learning) 介绍

Caffe -----------Convolution Architecture For Feature Embedding (Extraction)

1.Caffe 是什么东东？

o CNN (Deep Learning) 工具箱

o C++ 语言架构

o CPU 和GPU 无缝交换

o Python 和matlab的封装

o但是，Decaf只是CPU 版本。

2.为什么要用Caffe？

o运算速度快。简单友好的架构用到的一些库：

o 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.

o 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。

o CBLAS library（CPU版本的矩阵操作）

o CUBLAS library (GPU 版本的矩阵操作)

3.Caffe 架构

1.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：

o conver_imageset （构建leveldb的可运行程序）

o train/ （此目录放处理的jpg或者其他格式的图像) o label.txt (图像文件名及其label信息)

o输出的leveldb文件夹的名字

o CPU/GPU (指定是在cpu上还是在gpu上运行code)

https://www.sodocs.net/doc/90101619.html,N网络配置文件

o Imagenet_solver.prototxt （包含全局参数的配置的文件）

o Imagenet.prototxt （包含训练网络的配置的文件）

o Imagenet_val.prototxt （包含测试网络的配置文件）

1 回复

1 赞

blink

15-01-4

Caffe深度学习之图像分类模型AlexNet解读

在imagenet上的图像分类challenge上Alex提出的alexnet网络结构模型赢得了2012届的冠军。要研究CNN类型DL网络模型在图像分类上的应用，就逃不开研究alexnet，这是CNN在图像分类上的经典模型（DL火起来之后）。

在DL开源实现caffe的model样例中，它也给出了alexnet的复现，具

体网络配置文件如下

接下来本文将一步步对该网络配置结构中各个层进行详细的解读（训练阶段）：

2.conv2阶段DFD（data flow diagram）：

3.conv3阶段DFD（data flow diagram）：

SouthEast2455x274

4.conv4阶段DFD（data flow diagram）：

6.fc6阶段DFD（data flow diagram）：

7.fc7阶段DFD（data flow diagram）：

8.fc8阶段DFD（data flow diagram）：

各种layer的operation更多解释可以参考

从计算该模型的数据流过程中，该模型参数大概5kw+。

caffe的输出中也有包含这块的内容日志，详情如下：

I0721 10:38:15.326920 4692 net.cpp:125] Top shape: 256 3 227 227 (39574272)

I0721 10:38:15.326971 4692 net.cpp:125] Top shape: 256 1 1 1 (256)

I0721 10:38:15.326982 4692 net.cpp:156] data does not need backward computation.

I0721 10:38:15.327003 4692 net.cpp:74] Creating Layer conv1 I0721 10:38:15.327011 4692 net.cpp:84] conv1 <- data

I0721 10:38:15.327033 4692 net.cpp:110] conv1 -> conv1

I0721 10:38:16.721956 4692 net.cpp:125] Top shape: 256 96 55 55 (74342400)

I0721 10:38:16.722030 4692 net.cpp:151] conv1 needs backward computation.

I0721 10:38:16.722059 4692 net.cpp:74] Creating Layer relu1 I0721 10:38:16.722070 4692 net.cpp:84] relu1 <- conv1

I0721 10:38:16.722082 4692 net.cpp:98] relu1 -> conv1

(in-place)

I0721 10:38:16.722096 4692 net.cpp:125] Top shape: 256 96 55 55 (74342400)

I0721 10:38:16.722105 4692 net.cpp:151] relu1 needs backward computation.

I0721 10:38:16.722116 4692 net.cpp:74] Creating Layer pool1 I0721 10:38:16.722125 4692 net.cpp:84] pool1 <- conv1

I0721 10:38:16.722133 4692 net.cpp:110] pool1 -> pool1

I0721 10:38:16.722167 4692 net.cpp:125] Top shape: 256 96 27 27 (17915904)

I0721 10:38:16.722187 4692 net.cpp:151] pool1 needs backward computation.

I0721 10:38:16.722205 4692 net.cpp:74] Creating Layer norm1

I0721 10:38:16.722221 4692 net.cpp:84] norm1 <- pool1

I0721 10:38:16.722234 4692 net.cpp:110] norm1 -> norm1

I0721 10:38:16.722251 4692 net.cpp:125] Top shape: 256 96 27 27 (17915904)

I0721 10:38:16.722260 4692 net.cpp:151] norm1 needs backward computation.

I0721 10:38:16.722272 4692 net.cpp:74] Creating Layer conv2 I0721 10:38:16.722280 4692 net.cpp:84] conv2 <- norm1

I0721 10:38:16.722290 4692 net.cpp:110] conv2 -> conv2

I0721 10:38:16.725225 4692 net.cpp:125] Top shape: 256 256 27 27 (47775744)

I0721 10:38:16.725242 4692 net.cpp:151] conv2 needs backward computation.

I0721 10:38:16.725253 4692 net.cpp:74] Creating Layer relu2 I0721 10:38:16.725261 4692 net.cpp:84] relu2 <- conv2

I0721 10:38:16.725270 4692 net.cpp:98] relu2 -> conv2

(in-place)

I0721 10:38:16.725280 4692 net.cpp:125] Top shape: 256 256 27 27 (47775744)

I0721 10:38:16.725288 4692 net.cpp:151] relu2 needs backward computation.

I0721 10:38:16.725298 4692 net.cpp:74] Creating Layer pool2 I0721 10:38:16.725307 4692 net.cpp:84] pool2 <- conv2

I0721 10:38:16.725317 4692 net.cpp:110] pool2 -> pool2

I0721 10:38:16.725329 4692 net.cpp:125] Top shape: 256 256 13 13 (11075584)

I0721 10:38:16.725338 4692 net.cpp:151] pool2 needs backward computation.

I0721 10:38:16.725358 4692 net.cpp:74] Creating Layer norm2 I0721 10:38:16.725368 4692 net.cpp:84] norm2 <- pool2

I0721 10:38:16.725378 4692 net.cpp:110] norm2 -> norm2

I0721 10:38:16.725389 4692 net.cpp:125] Top shape: 256 256 13 13 (11075584)

I0721 10:38:16.725399 4692 net.cpp:151] norm2 needs backward computation.

I0721 10:38:16.725409 4692 net.cpp:74] Creating Layer conv3

I0721 10:38:16.725419 4692 net.cpp:84] conv3 <- norm2

I0721 10:38:16.725427 4692 net.cpp:110] conv3 -> conv3

I0721 10:38:16.735193 4692 net.cpp:125] Top shape: 256 384 13 13 (16613376)

I0721 10:38:16.735213 4692 net.cpp:151] conv3 needs backward computation.

I0721 10:38:16.735224 4692 net.cpp:74] Creating Layer relu3 I0721 10:38:16.735234 4692 net.cpp:84] relu3 <- conv3

I0721 10:38:16.735242 4692 net.cpp:98] relu3 -> conv3

(in-place)

I0721 10:38:16.735250 4692 net.cpp:125] Top shape: 256 384 13 13 (16613376)

I0721 10:38:16.735258 4692 net.cpp:151] relu3 needs backward computation.

I0721 10:38:16.735302 4692 net.cpp:74] Creating Layer conv4 I0721 10:38:16.735312 4692 net.cpp:84] conv4 <- conv3

I0721 10:38:16.735321 4692 net.cpp:110] conv4 -> conv4

I0721 10:38:16.743952 4692 net.cpp:125] Top shape: 256 384 13 13 (16613376)

I0721 10:38:16.743988 4692 net.cpp:151] conv4 needs backward computation.

I0721 10:38:16.744000 4692 net.cpp:74] Creating Layer relu4 I0721 10:38:16.744010 4692 net.cpp:84] relu4 <- conv4

I0721 10:38:16.744020 4692 net.cpp:98] relu4 -> conv4

(in-place)

I0721 10:38:16.744030 4692 net.cpp:125] Top shape: 256 384 13 13 (16613376)

I0721 10:38:16.744038 4692 net.cpp:151] relu4 needs backward computation.

I0721 10:38:16.744050 4692 net.cpp:74] Creating Layer conv5 I0721 10:38:16.744057 4692 net.cpp:84] conv5 <- conv4

I0721 10:38:16.744067 4692 net.cpp:110] conv5 -> conv5

I0721 10:38:16.748935 4692 net.cpp:125] Top shape: 256 256 13 13 (11075584)

I0721 10:38:16.748955 4692 net.cpp:151] conv5 needs backward computation.

I0721 10:38:16.748965 4692 net.cpp:74] Creating Layer relu5 I0721 10:38:16.748975 4692 net.cpp:84] relu5 <- conv5

I0721 10:38:16.748983 4692 net.cpp:98] relu5 -> conv5

(in-place)

I0721 10:38:16.748998 4692 net.cpp:125] Top shape: 256 256 13 13 (11075584)

I0721 10:38:16.749011 4692 net.cpp:151] relu5 needs backward computation.

I0721 10:38:16.749022 4692 net.cpp:74] Creating Layer pool5 I0721 10:38:16.749030 4692 net.cpp:84] pool5 <- conv5

I0721 10:38:16.749039 4692 net.cpp:110] pool5 -> pool5

I0721 10:38:16.749050 4692 net.cpp:125] Top shape: 256 256 6 6 (2359296)

I0721 10:38:16.749058 4692 net.cpp:151] pool5 needs backward computation.

I0721 10:38:16.749074 4692 net.cpp:74] Creating Layer fc6 I0721 10:38:16.749083 4692 net.cpp:84] fc6 <- pool5

I0721 10:38:16.749091 4692 net.cpp:110] fc6 -> fc6

I0721 10:38:17.160079 4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)

I0721 10:38:17.160148 4692 net.cpp:151] fc6 needs backward computation.

I0721 10:38:17.160166 4692 net.cpp:74] Creating Layer relu6 I0721 10:38:17.160177 4692 net.cpp:84] relu6 <- fc6

I0721 10:38:17.160190 4692 net.cpp:98] relu6 -> fc6

(in-place)

I0721 10:38:17.160202 4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)

I0721 10:38:17.160212 4692 net.cpp:151] relu6 needs backward computation.

I0721 10:38:17.160222 4692 net.cpp:74] Creating Layer drop6 I0721 10:38:17.160230 4692 net.cpp:84] drop6 <- fc6

I0721 10:38:17.160238 4692 net.cpp:98] drop6 -> fc6

(in-place)

I0721 10:38:17.160258 4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)

computation.

I0721 10:38:17.160277 4692 net.cpp:74] Creating Layer fc7 I0721 10:38:17.160286 4692 net.cpp:84] fc7 <- fc6

I0721 10:38:17.160295 4692 net.cpp:110] fc7 -> fc7

I0721 10:38:17.342094 4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)

I0721 10:38:17.342157 4692 net.cpp:151] fc7 needs backward computation.

I0721 10:38:17.342175 4692 net.cpp:74] Creating Layer relu7 I0721 10:38:17.342185 4692 net.cpp:84] relu7 <- fc7

I0721 10:38:17.342198 4692 net.cpp:98] relu7 -> fc7

(in-place)

I0721 10:38:17.342208 4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)

I0721 10:38:17.342217 4692 net.cpp:151] relu7 needs backward computation.

I0721 10:38:17.342228 4692 net.cpp:74] Creating Layer drop7 I0721 10:38:17.342236 4692 net.cpp:84] drop7 <- fc7

I0721 10:38:17.342245 4692 net.cpp:98] drop7 -> fc7

(in-place)

I0721 10:38:17.342254 4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)

I0721 10:38:17.342262 4692 net.cpp:151] drop7 needs backward computation.

I0721 10:38:17.342274 4692 net.cpp:74] Creating Layer fc8 I0721 10:38:17.342283 4692 net.cpp:84] fc8 <- fc7

I0721 10:38:17.342291 4692 net.cpp:110] fc8 -> fc8

I0721 10:38:17.343199 4692 net.cpp:125] Top shape: 256 22 1 1 (5632)

I0721 10:38:17.343214 4692 net.cpp:151] fc8 needs backward computation.

I0721 10:38:17.343231 4692 net.cpp:74] Creating Layer loss I0721 10:38:17.343240 4692 net.cpp:84] loss <- fc8

I0721 10:38:17.343250 4692 net.cpp:84] loss <- label

computation.

I0721 10:38:17.343305 4692 net.cpp:173] Collecting Learning Rate and Weight Decay.

I0721 10:38:17.343327 4692 net.cpp:166] Network initialization done.

I0721 10:38:17.343335 4692 net.cpp:167] Memory required for Data 1073760256

blink

15-01-4

CIFAR-10在caffe上进行训练与学习

使用数据库：CIFAR-10

60000张32X32 彩色图像10类，50000张训练，10000张测试

准备

在终端运行以下指令：

cd$CAFFE_ROOT/data/cifar10

./get_cifar10.sh

cd$CAFFE_ROOT/examples/cifar10

./create_cifar10.sh

其中CAFFE_ROOT是caffe-master在你机子的地址

运行之后，将会在examples中出现数据库文件./cifar10-leveldb和数据库图像均值二进制文件./mean.binaryproto

模型

该CNN由卷积层，POOLing层，非线性变换层，在顶端的局部对比归一化线性分类器组成。该模型的定义在CAFFE_ROOT/examples/cifar10 directory’s cifar10_quick_train.prototxt中，可以进行修改。其实后缀为prototxt很多都是用来修改配置的。