Caffe——清晰高效的深度学习(Deep Learning)框架
2014-10-23 11:40
274 查看
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:
[cpp] view
plaincopy
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:
[cpp] view
plaincopy
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
[cpp] view
plaincopy
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:
[cpp] view
plaincopy
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。
[cpp] view
plaincopy
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:
[cpp] view
plaincopy
#cddata/mnist
#sh get_mnist.sh
生成mnist-train-leveldb/ 和 mnist-test-leveldb/,把数据转化成leveldb格式:
[cpp] view
plaincopy
# cdexamples/lenet
#sh create_mnist.sh
训练网络:
[cpp] view
plaincopy
</pre><pre name="code" class="cpp">#sh train_lenet.sh
欢迎参与讨论并关注本博客和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!
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:
[cpp] view
plaincopy
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:
[cpp] view
plaincopy
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
[cpp] view
plaincopy
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:
[cpp] view
plaincopy
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。
[cpp] view
plaincopy
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:
[cpp] view
plaincopy
#cddata/mnist
#sh get_mnist.sh
生成mnist-train-leveldb/ 和 mnist-test-leveldb/,把数据转化成leveldb格式:
[cpp] view
plaincopy
# cdexamples/lenet
#sh create_mnist.sh
训练网络:
[cpp] view
plaincopy
</pre><pre name="code" class="cpp">#sh train_lenet.sh
欢迎参与讨论并关注本博客和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!
相关文章推荐
- Caffe——清晰高效的深度学习(Deep Learning)框架
- Caffe——清晰高效的深度学习(Deep Learning)框架
- Caffe——清晰高效的深度学习(Deep Learning)框架
- Caffe-清晰高效的深度学习(deep learning)框架
- 清晰高效的深度学习(Deep Learning)框架:Caffe
- Caffe——清晰高效的深度学习(Deep Learning)框架
- Deep Learning(深度学习) caffe模型 特征提取 (windows/linux)
- 基于Theano的深度学习(Deep Learning)框架Keras学习随笔-18-Noise Layers
- 关于深度学习(deep learning)的常见疑问 --- 谷歌大脑科学家 Caffe缔造者 贾扬清
- 基于Theano的深度学习(Deep Learning)框架Keras学习随笔-01-FAQ
- 基于Theano的深度学习(Deep Learning)框架Keras学习随笔-14-递归层
- (转) 基于Theano的深度学习(Deep Learning)框架Keras学习随笔-01-FAQ
- 深度学习FPGA实现基础知识8(Deep Learning(深度学习)Matlab实现--简单清晰的实验)
- 基于Theano的深度学习(Deep Learning)框架Keras学习随笔-02-Example
- 基于Theano的深度学习(Deep Learning)框架Keras学习随笔-03-优化器
- 基于Theano的深度学习(Deep Learning)框架Keras学习随笔-07-初始化权值
- 基于Theano的深度学习(Deep Learning)框架Keras学习随笔-09-约束限制
- 基于Theano的深度学习(Deep Learning)框架Keras学习随笔-05-模型
- 深度学习 deep learning 深度学习框架 caffe 深入学习过程(一)
- 基于Theano的深度学习(Deep Learning)框架Keras学习随笔-02-Example