Caffe——清晰高效的深度学习（Deep Learning）框架

Caffe（http://caffe.berkeleyvision.org/）是一个清晰而高效的深度学习框架，其作者是博士毕业于UC Berkeley的贾扬清（http://daggerfs.com/），他眼下在Google工作。

Caffe是纯粹的C++/CUDA架构。支持命令行、Python和MATLAB接口；能够在CPU和GPU直接无缝切换：

Caffe::set_mode(Caffe::GPU);

Caffe的优势

1.     上手快：模型与对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。方便马上上手。

2.     速度快：可以执行最优秀的模型与海量的数据。

Caffe与cuDNN结合使用。測试AlexNet模型，在K40上处理每张图片仅仅须要1.17ms.

3.     模块化：方便扩展到新的任务和设置上。

能够使用Caffe提供的各层类型来定义自己的模型。

4.     开放性：公开的代码和參考模型用于再现。

5.     社区好：能够通过BSD-2參与开发与讨论。

Caffe的网络定义

Caffe中的网络都是有向无环图的集合。能够直接定义：

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：层属性与层參数，比如

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參数。

Blob

Blob是用以存储数据的4维数组，比如

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

网络參数的定义也很方便，能够任意设置对应參数。

甚至调用GPU运算仅仅须要写一句话：

solver_mode:GPU

Caffe的安装与配置

Caffe须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没有这样的问题），假设不禁用。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，当然也有其它处理方法。

在sudo vi/etc/modprobe.d/blacklist.conf
添加一行 ：blacklist nouveau
sudoapt-get --purge remove xserver-xorg-video-nouveau #把官方驱动彻底卸载：
sudoapt-get --purge remove nvidia-*#清除之前安装的不论什么NVIDIA驱动
sudo service lightdm stop#进命令行，关闭Xserver
sudokill all Xorg

安装了CUDA之后。依次依照官网提示（http://caffe.berkeleyvision.org/installation.html）安装BLAS、OpenCV、Boost就可以。

Caffe跑跑MNIST试试

在Caffe安装文件夹之下。首先获得MNIST数据集：

#cddata/mnist
#sh get_mnist.sh

生成mnist-train-leveldb/ 和 mnist-test-leveldb/，把数据转化成leveldb格式：

# cdexamples/lenet
#sh create_mnist.sh

训练网络:

</pre><pre name="code" class="cpp">#sh train_lenet.sh

欢迎參与讨论并关注本博客和微博以及知乎个人主页兴许内容继续更新哦~

转载请您尊重作者的劳动。完整保留上述文字以及文章链接，谢谢您的支持。