Caffe深度学习框架上手教程

Caffe深度学习框架上手教程机器学习DeepLearningcaffeCaffe是一个清晰而高效的深度学习框架，其作者是博士毕业于UCBerkeley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-netlayers{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:conv1type:CONVOLUTIONbottom:datatop:conv1convolution_param{num_output:20kernel_size:5stride:1weight_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。BlobBlob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:GPUCaffe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。#sudovi/etc/modprobe.d/blacklist.conf#增加一行：blacklistnouveausudoapt-get--purgeremovexserver-xorg-video-nouveau#把官方驱动彻底卸载：sudoapt-get--purgeremovenvidia-*#清除之前安装的任何NVIDIA驱动sudoservicelightdmstop#进命令行，关闭XserversudokillallXorg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：cddata/mnistshget_mnist.sh生成mnist-train-leveldb/和mnist-test-leveldb/，把数据转化成leveldb格式：shexamples/mnist/create_mnist.sh训练网络:shtrain_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：TrainingSet：用于训练网络ValidationSet：用于训练时测试网络准确率TestSet：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/ValuePair）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。GoogleProtocolBuffer的安装ProtocolBuffer是一种类似于XML的用于序列化数据的自动机制。首先在ProtocolBuffers的中下载最新版本：解压后运行：./configure$make$makecheck$makeinstallpipinstallprotobuf添加动态链接库exportLD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATHLmdb的安装pipinstalllmdb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：=zh-cn10编译.proto文件protoc--proto_path=IMPORT_PATH--cpp_out=DST_DIR--java_out=DST_DIR--python_out=DST_DIRpath/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,deeplearning)介绍Caffe-----------ConvolutionArchitectureForFeatureEmbedding(Extraction)1.Caffe是什么东东？oCNN(DeepLearning)工具箱oC++语言架构oCPU和GPU无缝交换oPython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：oGoogleLogginglibrary(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.olebeldb(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。oCBLASlibrary（CPU版本的矩阵操作）oCUBLASlibrary(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：oconver_imageset（构建leveldb的可运行程序）otrain/（此目录放处理的jpg或者其他格式的图像)olabel.txt(图像文件名及其label信息)o输出的leveldb文件夹的名字oCPU/GPU(指定是在cpu上还是在gpu上运行code)2.CNN网络配置文件oImagenet_solver.prototxt（包含全局参数的配置的文件）oImagenet.prototxt（包含训练网络的配置的文件）oImagenet_val.prototxt（包含测试网络的配置文件）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train_val.prototxt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）：1.conv1阶段DFD（dataflowdiagram）2.conv2阶段DFD（dataflowdiagram）：3.conv3阶段DFD（dataflowdiagram）：SouthEast2455x274conv4阶段DFD（dataflowdiagram）：4.conv5阶段DFD（dataflowdiagram）5.fc6阶段DFD（dataflowdiagram）：6.fc7阶段DFD（dataflowdiagram）：7.fc8阶段DFD（dataflowdiagram）：各种layer的operation更多解释可以参考CaffeLayerCatalogue36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：I072110:38:15.3269204692net.cpp:125]Topshape:2563227227(39574272)I072110:38:15.3269714692net.cpp:125]Topshape:256111(256)I072110:38:15.3269824692net.cpp:156]datadoesnotneedbackwardcomputation.I072110:38:15.3270034692net.cpp:74]CreatingLayerconv1I072110:38:15.3270114692net.cpp:84]conv1-dataI072110:38:15.3270334692net.cpp:110]conv1-conv1I072110:38:16.7219564692net.cpp:125]Topshape:256965555(74342400)I072110:38:16.7220304692net.cpp:151]conv1needsbackwardcomputation.I072110:38:16.7220594692net.cpp:74]CreatingLayerrelu1I072110:38:16.7220704692net.cpp:84]relu1-conv1I072110:38:16.7220824692net.cpp:98]relu1-conv1(in-place)I072110:38:16.7220964692net.cpp:125]Topshape:256965555(74342400)I072110:38:16.7221054692net.cpp:151]relu1needsbackwardcomputation.I072110:38:16.7221164692net.cpp:74]CreatingLayerpool1I072110:38:16.7221254692net.cpp:84]pool1-conv1I072110:38:16.7221334692net.cpp:110]pool1-pool1I072110:38:16.7221674692net.cpp:125]Topshape:256962727(17915904)I072110: