Caffe 深度學習框架上手教程

jopen 9年前發布 | 1M 次閱讀深度學習機器學習

Caffe是一個清晰而高效的深度學習框架，本文詳細介紹了caffe的優勢、架構，網絡定義、各層定義，Caffe的安裝與配置，解讀了Caffe實現的圖像分類模型AlexNet，并演示了CIFAR-10在caffe上進行訓練與學習。

Caffe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，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

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。

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.

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。

開放性：公開的代碼和參考模型用于再現。

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 {<span><span>name: <span>"data" …</span></span></span>}
layers {<span><span>name: <span>"conv" …</span></span></span>}
layers {<span><span>name: <span>"pool" …</span></span></span>}
layers {<span><span>name: <span>"loss" …</span></span></span>}

數據及其導數以blobs的形式在層間流動。

Caffe的各層定義

name:"conv1"
type:CONVOLUTION
bottom:"data"
top:"conv1"
convolution_param{
    num_output:<span>20
    kernel_size:5
    stride:1
    weight_filler{
        type: "<span style="color: #c0504d;">xavier</span>"
    }
}

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。

生成mnist-train-leveldb/ 和 mnist-test-leveldb/，把數據轉化成leveldb格式：

訓練網絡:

# 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 sudo kill all Xorg</pre>

安裝了CUDA之后，依次按照Caffe官網安裝指南安裝BLAS、OpenCV、Boost即可。

</h3>

Caffe跑跑MNIST試試

在Caffe安裝目錄之下，首先獲得MNIST數據集：

cd data/mnist
sh get_mnist.sh

生成mnist-train-leveldb/ 和 mnist-test-leveldb/，把數據轉化成leveldb格式：

cd examples/lenet 
sh create_mnist.sh

訓練網絡:

sh train_lenet.sh

讓Caffe生成的數據集能在Theano上直接運行

不論使用何種框架進行CNNs訓練，共有3種數據集：

Training Set：用于訓練網絡

Validation Set：用于訓練時測試網絡準確率

Test Set：用于測試網絡訓練完成后的最終正確率

Caffe生成的數據分為2種格式：Lmdb和Leveldb

它們都是鍵/值對（Key/Value Pair）嵌入式數據庫管理系統編程庫。

雖然lmdb的內存消耗是leveldb的1.1倍，但是lmdb的速度比leveldb快10%至15%，更重要的是lmdb允許多種訓練模型同時讀取同一組數據集。

因此lmdb取代了leveldb成為Caffe默認的數據集生成格式。

Google Protocol Buffer的安裝

Protocol Buffer是一種類似于XML的用于序列化數據的自動機制。
首先在Protocol Buffers的中下載最新版本：
https://developers.google.com/protocol-buffers/docs/downloads
解壓后運行：

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

添加動態鏈接庫

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

Lmdb的安裝

pip install lmdb

要parse（解析）一個protobuf類型數據，首先要告訴計算機你這個protobuf數據內部是什么格式（有哪些項，這些項各是什么數據類型的決定了占用多少字節，這些項可否重復，重復幾次），安裝protobuf這個module就可以用protobuf專用的語法來定義這些格式（這個是.proto文件）了，然后用protoc來編譯這個.proto文件就可以生成你需要的目標文件。
想要定義自己的.proto文件請閱讀：
https://developers.google.com/protocol-buffers/docs/proto?hl=zh-cn

編譯.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 也可以簡寫成-I 是.proto所在的路徑
輸出路徑：
--cpp_out 要生成C++可用的頭文件，分別是***.pb.h（包含申明類）***.pb.cc（包含可執行類），使用的時候只要include “***.pb.h”
--java_out 生成java可用的頭文件
--python_out 生成python可用的頭文件，**_pb2.py，使用的時候import**_pb2.py即可
最后一個參數就是你的.proto文件完整路徑。

Caffe (CNN, deep learning) 介紹

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

Caffe 是什么東東？

CNN (Deep Learning) 工具箱

C++ 語言架構

CPU 和GPU 無縫交換

Python 和matlab的封裝

但是，Decaf只是CPU 版本。

為什么要用Caffe？

運算速度快。簡單友好的架構用到的一些庫：

Google Logging library (Glog): 一個C++語言的應用級日志記錄框架，提供了C++風格的流操作和各種助手宏.

lebeldb(數據存儲)：是一個google實現的非常高效的kv數據庫，單進程操作。

CBLAS library（CPU版本的矩陣操作）

CUBLAS library (GPU 版本的矩陣操作)

Caffe 架構

</li> </ol>

預處理圖像的leveldb構建
輸入：一批圖像和label （2和3）
輸出：leveldb （4）
指令里包含如下信息：

conver_imageset （構建leveldb的可運行程序）

train/ （此目錄放處理的jpg或者其他格式的圖像)

label.txt (圖像文件名及其label信息)

輸出的leveldb文件夾的名字

CPU/GPU (指定是在cpu上還是在gpu上運行code)

CNN網絡配置文件

Imagenet_solver.prototxt （包含全局參數的配置的文件）

Imagenet.prototxt （包含訓練網絡的配置的文件）

Imagenet_val.prototxt （包含測試網絡的配置文件）

Caffe深度學習之圖像分類模型AlexNet解讀

在imagenet上的圖像分類challenge上Alex提出的alexnet網絡結構模型贏得了2012屆的冠軍。要研究CNN類型DL網絡模型在圖像分類上的應用，就逃不開研究alexnet，這是CNN在圖像分類上的經典模型（DL火起來之后）。

在DL開源實現caffe的model樣例中，它也給出了alexnet的復現，具體網絡配置文件如下 train_val.prototxt

接下來本文將一步步對該網絡配置結構中各個層進行詳細的解讀（訓練階段）：

各種layer的operation更多解釋可以參考 Caffe Layer Catalogue

從計算該模型的數據流過程中，該模型參數大概5kw+。

conv1階段DFD（data flow diagram）：
</li>
conv2階段DFD（data flow diagram）：
</li>
conv3階段DFD（data flow diagram）：

</li>
conv4階段DFD（data flow diagram）：

</li>
conv5階段DFD（data flow diagram）：

</li>
fc6階段DFD（data flow diagram）：

</li>
fc7階段DFD（data flow diagram）：

</li>

fc8階段DFD（data flow diagram）：
Caffe 深度學習框架上手教程

</li> </ol> caffe的輸出中也有包含這塊的內容日志，詳情如下：

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)
I0721 10:38:17.160265  4692 net.cpp:151] drop6 needs backward 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
I0721 10:38:17.343264  4692 net.cpp:151] loss needs backward 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

CIFAR-10在caffe上進行訓練與學習

使用數據庫：CIFAR-10

60000張 32X32 彩色圖像 10類，50000張訓練，10000張測試

Caffe 深度學習框架上手教程

準備

在終端運行以下指令：

cd $CAFFE_ROOT/data/cifar10
./get_cifar10.sh
cd $CAFFE_ROOT/examples/cifar10
./create_cifar10.sh

其中CAFFE_ROOT是caffe-master在你機子的地址

運行之后，將會在examples中出現數據庫文件./cifar10-leveldb和數據庫圖像均值二進制文件./mean.binaryproto

Caffe 深度學習框架上手教程

模型

該CNN由卷積層，POOLing層，非線性變換層，在頂端的局部對比歸一化線性分類器組成。該模型的定義在CAFFE_ROOT/examples/cifar10 directory’s cifar10_quick_train.prototxt中，可以進行修改。其實后綴為prototxt很多都是用來修改配置的。

Caffe 深度學習框架上手教程

訓練和測試

訓練這個模型非常簡單，當我們寫好參數設置的文件cifar10_quick_solver.prototxt和定義的文件cifar10_quick_train.prototxt和cifar10_quick_test.prototxt后，運行 train_quick.sh或者在終端輸入下面的命令：

cd $CAFFE_ROOT/examples/cifar10
./train_quick.sh

即可，train_quick.sh是一個簡單的腳本，會把執行的信息顯示出來，培訓的工具是train_net.bin,cifar10_quick_solver.prototxt作為參數。

然后出現類似以下的信息：這是搭建模型的相關信息

I0317 21:52:48.945710 2008298256 net.cpp:74] Creating Layer conv1
I0317 21:52:48.945716 2008298256 net.cpp:84] conv1 <- data
I0317 21:52:48.945725 2008298256 net.cpp:110] conv1 -> conv1
I0317 21:52:49.298691 2008298256 net.cpp:125] Top shape: 100 32 32 32 (3276800)
I0317 21:52:49.298719 2008298256 net.cpp:151] conv1 needs backward computation.

接著：

0317 21:52:49.309370 2008298256 net.cpp:166] Network initialization done.
I0317 21:52:49.309376 2008298256 net.cpp:167] Memory required for Data 23790808
I0317 21:52:49.309422 2008298256 solver.cpp:36] Solver scaffolding done.
I0317 21:52:49.309447 2008298256 solver.cpp:47] Solving CIFAR10_quick_train

之后，訓練開始

I0317 21:53:12.179772 2008298256 solver.cpp:208] Iteration 100, lr = 0.001
I0317 21:53:12.185698 2008298256 solver.cpp:65] Iteration 100, loss = 1.73643
...
I0317 21:54:41.150030 2008298256 solver.cpp:87] Iteration 500, Testing net
I0317 21:54:47.129461 2008298256 solver.cpp:114] Test score #0: 0.5504
I0317 21:54:47.129500 2008298256 solver.cpp:114] Test score #1: 1.27805

其中每100次迭代次數顯示一次訓練時lr(learningrate),和loss（訓練損失函數），每500次測試一次，輸出score 0（準確率）和score 1（測試損失函數）

當5000次迭代之后，正確率約為75%，模型的參數存儲在二進制protobuf格式在cifar10_quick_iter_5000

然后，這個模型就可以用來運行在新數據上了。

其他

另外，更改cifar*solver.prototxt文件可以使用CPU訓練，

# solver mode: CPU or GPU
solver_mode: CPU

可以看看CPU和GPU訓練的差別。

主要資料來源：caffe官網教程

原文鏈接： Caffe 深度學習框架上手教程

本文由用戶 jopen 自行上傳分享，僅供網友學習交流。所有權歸原作者，若您的權利被侵害，請聯系管理員。

轉載本站原創文章，請注明出處，并保留原始鏈接、圖片水印。

本站是一個以用戶分享為主的開源技術平臺，歡迎各類分享！

本文地址：http://www.baiduhome.net/lib/view/open1421995285109.html

深度學習機器學習

Caffe 深度學習框架上手教程

Caffe的優勢

Caffe的網絡定義

數據及其導數以blobs的形式在層間流動。

Caffe的各層定義

訓練網絡

Caffe深度學習之圖像分類模型AlexNet解讀

使用數據庫：CIFAR-10

準備

訓練和測試

其他

相關經驗

相關資訊

相關文檔

目錄

Caffe 深度學習框架上手教程

Caffe的優勢

Caffe的網絡定義

數據及其導數以blobs的形式在層間流動。

Caffe的各層定義

訓練網絡

增加一行 ：blacklist nouveau

安裝了CUDA之后，依次按照Caffe官網安裝指南安裝BLAS、OpenCV、Boost即可。 </h3>

Caffe跑跑MNIST試試

讓Caffe生成的數據集能在Theano上直接運行

Caffe生成的數據分為2種格式：Lmdb和Leveldb

Google Protocol Buffer的安裝

添加動態鏈接庫

Lmdb的安裝

編譯.proto文件

Caffe (CNN, deep learning) 介紹

Caffe深度學習之圖像分類模型AlexNet解讀

使用數據庫：CIFAR-10

準備

訓練和測試

其他

相關經驗

相關資訊

相關文檔

目錄

增加一行：blacklist nouveau

安裝了CUDA之后，依次按照Caffe官網安裝指南安裝BLAS、OpenCV、Boost即可。

</h3>