清晰高效的深度学习(Deep Learning)框架:Caffe

jopen 9年前

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-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

muam6v.png

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。

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 sudokill all Xorg

安装了CUDA之后,依次按照官网提示( http://caffe.berkeleyvision.org/installation.html )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/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:

#sh train_lenet.sh

nuf6nr.png
欢迎参与讨论并关注
本博客 微博
以及 知乎个人主页 后续内容继续更新哦~

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!

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