原文地址：http://suanfazu.com/t/caffe/281

Caffe448是一个清晰而高效的深度学习175框架，其作者是博士毕业于UC Berkeley的贾扬清1.3K，目前在Google62工作。

Caffe28是纯粹的C++/CUDA架构，支持命令行、Python和MATLAB接口；可以在CPU和GPU123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：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Caffe官网安装指南1.3K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：

sh examples/mnist/create_mnist.sh

训练网络:

sh train_lenet.sh

::::Caffe上手教程1.2K

创建时间

15年1月
最后回复

7月18日
7

回复
83.2K

浏览
4

用户
12

赞
14

链接
5

blink

15年1月

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/downloads76
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-cn70

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。

1 赞