清晰高效的深度學習（Deep Learning）框架：Caffe

Caffe（ http://caffe.berkeleyvision.org/ ）是一個清晰而高效的深度學習框架，其作者是博士畢業于UC Berkeley的賈揚清（ http://daggerfs.com/ ），他目前在Google工作。

Caffe是純粹的C++/CUDA架構，支持命令行、Python和MATLAB接口；可以在CPU和GPU直接無縫切換：

Caffe::set_mode(Caffe::GPU);

Caffe的優勢

1.     上手快：模型與相應優化都是以文本形式而非代碼形式給出。

Caffe給出了模型的定義、最優化設置以及預訓練的權重，方便立即上手。

2.     速度快：能夠運行最棒的模型與海量的數據。

Caffe與cuDNN結合使用，測試AlexNet模型，在K40上處理每張圖片只需要1.17ms.

3.     模塊化：方便擴展到新的任務和設置上。

可以使用Caffe提供的各層類型來定義自己的模型。

4.     開放性：公開的代碼和參考模型用于再現。

5.     社區好：可以通過BSD-2參與開發與討論。

Caffe的網絡定義

Caffe中的網絡都是有向無環圖的集合，可以直接定義：

name:"dummy-net" layers {name: "data" …} layers {name: "conv" …} layers {name: "pool" …} layers {name: "loss" …}

數據及其導數以blobs的形式在層間流動。

Caffe的各層定義

Caffe層的定義由2部分組成：層屬性與層參數，例如

name:"conv1" type:CONVOLUTION bottom:"data" top:"conv1" convolution_param{num_output:20 kernel_size:5 stride:1 weight_filler{
type: "xavier" } }

這段配置文件的前4行是層屬性，定義了層名稱、層類型以及層連接結構（輸入blob和輸出blob）；而后半部分是各種層參數。

Blob

Blob是用以存儲數據的4維數組，例如

對于數據：Number*Channel*Height*Width

對于卷積權重：Output*Input*Height*Width

對于卷積偏置：Output*1*1*1

訓練網絡

網絡參數的定義也非常方便，可以隨意設置相應參數。

甚至調用GPU運算只需要寫一句話：

solver_mode:GPU

Caffe的安裝與配置

Caffe需要預先安裝一些依賴項，首先是CUDA驅動。不論是CentOS還是Ubuntu都預裝了開源的nouveau顯卡驅動（SUSE沒有這種問題），如果不禁用，則CUDA驅動不能正確安裝。以Ubuntu為例，介紹一下這里的處理方法，當然也有其他處理方法。

在sudo vi/etc/modprobe.d/blacklist.conf
增加一行 ：blacklist nouveau
sudoapt-get --purge remove xserver-xorg-video-nouveau #把官方驅動徹底卸載： sudoapt-get --purge remove nvidia-*#清除之前安裝的任何NVIDIA驅動 sudo service lightdm stop#進命令行，關閉Xserver sudokill all Xorg

安裝了CUDA之后，依次按照官網提示（ http://caffe.berkeleyvision.org/installation.html ）安裝BLAS、OpenCV、Boost即可。

Caffe跑跑MNIST試試

在Caffe安裝目錄之下，首先獲得MNIST數據集：

#cddata/mnist #sh get_mnist.sh

# cdexamples/lenet  #sh create_mnist.sh

訓練網絡:

#sh train_lenet.sh

歡迎參與討論并關注 本博客 和 微博 以及 知乎個人主頁 后續內容繼續更新哦~

轉載請您尊重作者的勞動，完整保留 上述文字 以及 文章鏈接 ，謝謝您的支持！

原文  http://blog.csdn.net/ycheng_sjtu/article/details/39693655