深度学习的框架Caffe使用详情

Caffe是一个深度学习框架，具有表达力强、速度快和模块化的思想，由伯克利视觉学习中心（BVLC）和社区贡献者开发。Yangqing Jia在加州大学伯克利分校攻读博士期间创建了这个项目。

为什么选择Caffe？

富有表现力的架构鼓励应用和创新。使用Caffe，可以在配置中定义模型和优化，不需要硬编码。通过设置一个GPU机器训练标记在CPU和GPU之间转换，接着调配商品化集群系统或移动设备来完成。

代码的可扩展性让开发更加活跃。在Caffe项目的第一年，它就被开发者fork超过1000次，由他们完成许多重要的修改并反馈回来。多亏那些贡献者，这个框架在代码和模型两方面都在追踪最先进的技术。

速度使Caffe完美的用于研究实验和工业开发。使用一个NVIDIA K40 GPU Caffe每天可以处理超过60M的图像。推理过程为1ms/一幅图像，而学习过程为4ms/一幅图像。我们相信Caffe是现在可使用最快的ConvNet应用。

社区：在视觉、速度和多媒体方面，Caffe已经有能力用于学术研究项目、启动原型，甚至大规模的工业应用。

安装

在安装之前，看一下这个手册，记录下平台的一些细节。我们可以在Ubuntu 16.04-12.04、OS X10.11-10.8上通过Docker和AWS安装和运行Caffe。官方的编译脚本和Makefile.config编译由社区CMake编译补全。

逐步介绍：

Docker setup 开包即用计划

Ubuntu installation 标准平台

Debian installation 使用单个命令安装caffe

OS X installation

RHEL/CentOS/Fedora installation

Windows 请参阅由Guillaume Dumont领导的Windows分支

OpenCL 请参阅由Fabian Tschopp领导的OpenCL分支

AWS AMI 预配置为AWS

必备条件

Caffe有几个依赖项：

CUDA是GPU模式所需要的。

推荐使用库版本7+和最新的驱动版本，但是6.*也可以。

5.5和5.0兼容但是被认为是过时的。

BLAS通过ATLAS、MKL或OpenBLAS使用。

Boost>=1.55

Protobuf、glog、gflags、hdf5

可选依赖项：

OpenCV>=2.4 包括3.0

IO库：lmdb、leveldb（注意：leveldb需要snappy）

CuDNN用于GPU加速（v5）

Pycaffe和Matcaffe接口有它们自己的需求。

对于Python Caffe：Python 2.7或Python 3.3+，numpy（>=1.7），boost条件下为boost.python

对于MATLAB Caffe：带有mex编译器的MATLAB。

cuDNN Caffe：为了达到最快的运行速度，Caffe通过插入式集成NVIDIA cuDNN来加速。为了提升你的Caffe模型的速度，安装cuDNN，然后安装Caffe时在Makefile.config中取消注释USE_CUDNN:=1标记。Caffe会自动进行加速。当前版本是cuDNN v5；在旧版Caffe中支持旧版本。

CPU-only Caffe：对于cold-brewed只有CPU模式的Caffe，在Makefile.config中取消注释CUP_ONLY :=1标记，配置和生成没有CUDA的Caffe。这对于云或者集中配置非常有帮助。

CUDA和BLAS

Caffe需要CUDA nvcc编译器编译它的GPU代码和用于GPU操作的CUDA驱动器。可以去NUIDIA CUDA网站，按照那里的安装说明安装CUDA。分别安装库和最新的独立驱动器；驱动器和库捆绑在一起通常是过时的。警告！331.*CUDA驱动器序列有严重的性能问题，不要使用它。

为获得最佳性能，Caffe可以通过NVIDIA cuDNN加速。在cuDNN网站上免费注册、安装，然后继续根据安装说明操作。编译cuDNN时在你的Makefile.config中设置USE_CUDNN :=1标记。

Caffe需要BLAS作为它的矩阵和向量计算的后端。有几个这个库的实现工具。你可以选择：

ATLAS：免费、开源、默认用于Caffe。

Intel MKL：商业的，针对Intel CPUs进行了优化，可以免费试用，也可以获得学生授权。

安装MKL。

设置MKL环境变量（细节：Linux，OS X）。例如：source /opt/intel/mkl/bin/mklvars.sh intel64

在Makefile.config中设置BLAS := mkl

OpenBLAS：免费并开源；安装这个优化的并行的BLAS需要更多的工作量，虽然它可能提供加速。

安装OpenBLAS

在config中设置BLAS :=open

Python 和 MATLAB Caffe（可选）

Python

主要依赖numpy和boost.python（由boost提供）。Pandas也很有用，而且一些例子中需要它。

你可以使用下面的命令安装依赖项。

Python

1	forreqin$(catrequirements.txt);dopipinstall$req;done

 

但是，建议先安装Anaconda Python发行包，它可以提供大多数必需的包和hdf5库依赖项。

在安装结束后导入caffe Python模块，通过诸如export PYTHONPATH=/path/to/caffe/python:$PYTHONPATH添加模块目录到你的$PYTHONPATH。不应该在caffe/python/caffe目录中导入模块。

Caffe’s Python接口在Python2.7中工作。Python3.3+应该立即可以使用，不需要protobuf支持。对于protobuf支持请安装protobuf 3.0 alpha (https://developers.google.com/protocol-buffers/)。早期版本的Python需要自行探索安装方法。

MATLAB

安装MATLAB，确保$PATH中已加入mex。

Caffe的MATLAB接口可以在版本2015a、2014a/b、2013a/b和2012b中工作。

编译

Caffe可以使用Make或CMake编译。Make是官方支持，CMake由社区支持。

使用Make编译

通过复制和修改示例Makefile.config为安装配置生成文件。默认值应该可以工作，但是如果使用Anaconda Python，要取消注释对应的代码行。

Python

1 2 3 4 5

cpMakefile.config.exampleMakefile.config # Adjust Makefile.config (for example, if using Anaconda Python, or if cuDNN is desired) makeall maketest makeruntest

 

对于CPU&GPU加速的Caffe，不需要改变。

对于使用NVIDIA私有的cuDNN软件的cuDNN加速器，取消注释Makefile.config中的USE_CUDNN :=1。cuDNN有时比Caffe的GPU加速器速度快，但不是一贯如此。

对于只有CPU的Caffe，取消注释Makefile.config中的CPU_ONLY :=1。

为了编译Python和MATLAB包装类，分别执行make pycaffe和make matcaffe。确保先在Makefile.config中设置你的MATLAB和Python路径。

分配：运行make distribute，创建一个带有所有Caffe头文件的distribute目录，编译库、二进制文件等。为分配到其他机器所需。

速度：为了快速的生成，通过运行make all –j8并行编译，其中8是并行编译线程的数量（线程数量最好选择机器内核的数量）。

安装好Caffe后，检查MNIST教程和ImageNet模型教程。

CMake编译

在手动编辑Makefile.config的地方配置编译文件，Caffe提供一个非官方的CMake编译，感谢一些社区成员。需要CMAke版本>=2.8.7。基本步骤如下所示：

Python

1 2 3 4 5 6

mkdirbuild cdbuild cmake.. makeall makeinstall makeruntest

 

ImageNet训练网络

这个教程是为了让你准备好使用自己的数据训练自己的模型。如果你想要一个ImageNet训练网络，那么请注意训练会消耗大量的能源，而我们讨厌全球变暖，所以我们提供CaffeNet模型作为下面model zoo中的训练模型。

数据准备

本文指出所有的路径，并假设所有的命令在caffe根目录执行。

ImageNet，我们这里的意思是ILSVRC12挑战赛，但是你可以轻松训练整个ImageNet，只是需要更多的磁盘控件和稍微多一点的训练时间。

我们假设你已经下载了ImageNet训练数据和验证数据，它们存储在你的磁盘中如下位置：

Python

1 2	/path/to/imagenet/train/n01440764/n01440764_10026.JPEG /path/to/imagenet/val/ILSVRC2012_val_00000001.JPEG

 

首先，你需要准备一些用于训练的辅助数据。这些数据可以这样下载。

Python

1	./data/ilsvrc12/get_ilsvrc_aux.sh

 

训练和验证输入数据分别为train.txt和val.txt，使用文本文件列出所有文件和它们的标签。注意我们对标签使用同ILSVRC devkit不同的索引：我们按照ASCII码排序这些同义词组的名字，从0到999标记它们。在synset_works.txt中查看同义词组和名字的映射。

你可能想要预先调整图像的大小为256*256。默认情况下，我们不需要显示的做这个，因为在集群环境中，一个好处是可以并行调整图像大小，并使用分布式编程环境。例如，Yangqing使用他的轻量级mincepie包。如果你想要事情更简单，你也可以像这样使用shell命令：

Python

1 2 3

fornamein/path/to/imagenet/val/*.JPEG;do    convert-resize256x256\!$name$name done

 

看一下examples/imagenet/create_imagenet.sh。根据需要设置路径为训练和验证目录，同时设置“RESIZE=true”调整所有图像的大小为256*256，如果你没有提前调整图像。现在只使用examples/imagenet/create_imagenet.sh创建leveldbs。注意，examples/imagenet/ilsvrc12_train_leveldb和examples/imagenet/ilsvrc12_val_leveldb不应该在执行前存在。它由脚本创建。GLOG_logtostderr=1仅仅传送更多的信息给你观察，你可以安全地忽视它。

计算图像平均值

模型需要我们从每幅图像中减去图像平均值，所以我们必须计算平均值。tools/compute_image_mean.cpp完成这些，它也是一个熟悉怎样操纵多个组件很好的例子，例如协议缓存、leveldbs和登录，如果你不熟悉它们的话。总之，平均值计算可以这样做：

Python

1	./examples/imagenet/make_imagenet_mean.sh

 

结果会生成data/ilsvrc12/imagenet_mean.binaryproto.

模型定义

我们将描述Krizhevsky、Sutskever和Hinton在NIPS 2012 的文章中第一次提出这个方法的参考实例。

网络定义（models/bvlc_reference_caffenet/train_val.prototxt）遵循Krizhevsky等人的定义。注意，如果偏离了本文建议的文件路径，你需要在.prototxt文件中调整相关路径。

如果你认真看了models/bvlc_reference_caffenet/train_val.prototxt，你会注意到几个指定phase: TRAIN或phase: TEST的include部分。这部分允许我们在一个文件中定义两个非常相关的网络：一个网络用于训练，另一个网络用于测试。这两个网络几乎是相同的，分享所有的层，除了那些标记为include { phase: TRAIN } 或 include { phase: TEST }的层。在这种情况下，只有输入层和一个输出层是不同的。

输入层的不同：训练网络数据的输入层从examples/imagenet/ilsvrc12_train_leveldb中提取数据，随机的映射到输入图像。测试网络的数据层从examples/imagenet/ilsvrc12_val_leveldb中获得数据，不执行随机映射。

输出层的不同：两个网络都输出softmax_loss层，它在训练网络中用于计算损失函数，并初始化反向传播算法，而在验证过程只是简单的报告这个损失。测试网络还有第二个输出层，accuracy，它用于报告测试集的准确度。在训练过程，测试网络偶尔在测试集上被实例化并测试，产生代码行如Test score #0: xxx 和 Test score #1: xxx。在这里score0是准确度（对于未训练的网络将从1/1000=0.001开始），score1是损失（对于未训练的网络将从7附近开始）。

我们也将设计一个协议缓存用于运行求解。让我们做几个计划：

我们将以256个为一组，运行总共450000次迭代（大约90个最大训练次数）。

每1000次迭代，我们使用验证数据测试学习网络。

我们设置初始学习速率为0.01，每100000次迭代后减小它（大概20个最大训练次数）。

每20个迭代显示一次信息。

这个训练网络的动量为0.9，权重衰减为0.0005.

每10000次迭代，我们会简要说明当前状态。

听起来不错吧？这是在models/bvlc_reference_caffenet/solver.prototxt.中完成的。

训练ImageNet

准备好了吗？我们开始训练。

Python

1	./build/tools/caffetrain--solver=models/bvlc_reference_caffenet/solver.prototxt

 

在一个K40机器上，每20次迭代大概需要运行26.5秒（在K20上为36秒），所以实际上每幅图像完成完全前后向移动采集数据为5.2ms。大概2ms向前，其余时间向后。如果你对仔细分析计算时间感兴趣，你可以运行

Python

1	./build/tools/caffetime--model=models/bvlc_reference_caffenet/train_val.prototxt

 

继续训练？

我们都经历过停电，或者我们想要稍微奖励自己一下，玩一会儿Battlefield（还有人记得Quake吗？）。因为我们在训练时截取中间结果，所以我们可以从截图位置继续训练。这可以很容易的完成，像这样：

Python

1 2	./build/tools/caffetrain--solver=models/bvlc_reference_caffenet/solver.prototxt— snapshot=models/bvlc_reference_caffenet/caffenet_train_iter_10000.solverstate

 

其中脚本caffenet_train_iter_10000.solverstate是存储所有所需信息的求解状态简介，可以用来恢复为准确的求解状态（包括参数、动量历史等）。

结语

因为你有了已训练网络，查看怎样使用Python接口分类图像。

分类ImageNet：使用C++接口

Caffe，它的内核是用C++写的。可以使用Caffe的C++接口去完成类似上个例子中Python代码展示的图像分类应用。为了查看Caffe C++ API更通用的示例，你应该学习tools/caffe.cpp中的命令行工具caffe的源代码。

介绍

文件examples/cpp_classification/classification.cpp给出了简单的C++代码。为了简单起见，这个例子不支持单一样本过采样，也不支持多个独立样本的批处理。这个例子不是试图达到系统吞吐量的最大可能分类，而是特别注意在保持代码可读性的同时避免不必要的劣化。

编译

这个C++示例是在编译Caffe时自动生成。遵循文档说明编译Caffe，在build目录中这个分类示例被生成为examples/classification.bin。

用途

想要使用预先训练的CaffeNet模型分类示例，需要先从“Model Zoo”中下载。使用脚本：

Python

1	./scripts/download_model_binary.pymodels/bvlc_reference_caffenet

 

ImageNet标签文件（也叫同义词组文件）也是需要的，用于将预测类别映射到类别名：

C++

1	./data/ilsvrc12/get_ilsvrc_aux.sh

 

使用这些下载的文件，我们可以分类预先准备的猫图像（examples/images/cat.jpg），使用命令：

C++

1 2 3 4 5 6

./build/examples/cpp_classification/classification.bin\ models/bvlc_reference_caffenet/deploy.prototxt\ models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel\ data/ilsvrc12/imagenet_mean.binaryproto\ data/ilsvrc12/synset_words.txt\ examples/images/cat.jpg

 

输出应该是：

C++

1 2 3 4 5 6 7 8 9 10 11

----------Predictionforexamples/images/cat.jpg---------- 0.3134-"n02123045 tabby, tabby cat" 0.2380-"n02123159 tiger cat" 0.1235-"n02124075 Egyptian cat" 0.1003-"n02119022 red fox, Vulpes vulpes" 0.0715-"n02127052 lynx, catamount"

 

提高性能

为了进一步提高性能，你需要更多的利用GPU，这里是一些准则：

尽早将数据转移到GPU上，在这里完成所有的预处理操作。

如果你同时分类许多图像，应该使用批处理（许多独立图像在一次运行中被分类）。

使用多线程分类确保GPU被充分利用，不要等待I/O阻塞CPU线程。