使用GPU在caffe上进行CNN训练

转自：http://blog.csdn.net/ws_20100/article/details/48860749

1.配置caffe环境

[请参考此篇博客：http://blog.csdn.net/ws_20100/article/details/48850449]

本篇介绍如何在caffe环境下，实现"图像对图像"的卷积神经网络的训练。

2.文件结构

在配置好的caffe文件夹中，进入examples目录，创建CNN文件夹，并进入文件夹

$ cd caffe-master/examples/

$ mkdir CNN

$ cd CNN/

在CNN文件夹下面创建子文件夹

$ mkdir model snapshot TestPhotos TestLabels TrainPhotos TrainLabels

其中，

model用于以后存储卷积核矩阵和偏置向量；

snapshot用于存储训练中备份的caffe模型，每一段时间存储一次，防止断电等一些情况；

TrainPhotos、TrainLabels分别存储训练集输入和监督样本；

TestPhotos、TestLabels分别存储测试集输入和监督样本，不直接参与到训练中。

然后，将训练所用的输入样本和监督样本分别放入到TrainPhotos和TrainLabels中去。注意，样本文件名无所谓，但是排列次序必须一一对应。同样，将测试所用的输入样本和监督样本分别放入到TestPhotos和TestLabels中去。

3.产生训练和测试数据

1.)产生路径文件

在CNN文件夹下面(以下均是在此文件夹下)创建两个路径文件。

$ vim train.txt

输入内容：

examples/CNN/train.h5

:wq保存文档。

$ vim test.txt

输入内容：

examples/CNN/test.h5

:wq保存文档。

2.)产生训练数据

$ vim generate_train.m

输入内容：(把输入图像切成11*11的像素块，监督图像为3*3的像素块(由网络结构和卷积核大小决定)，步长为1个像素)

<
20000
div class="dp-highlighter bg_plain" style="font-family:Consolas, 'Courier New', Courier, mono, serif;overflow:hidden;padding-top:1px;border-color:rgb(204,204,204);color:rgb(85,85,85);line-height:35px;margin:18px 0px !important;background-color:rgb(231,229,220);">

[plain] view
plain copy

clear;close all;  

  

%% settings  

folder_input = 'TrainPhotos';  

folder_label = 'TrainLabels';  

savepath = 'train.h5';  

size_input = 11;  

size_label = 3; % size_input - 12  

stride = 1;  

  

%% initialization  

data = zeros(size_input, size_input, 1, 1);  

label = zeros(size_label, size_label, 1, 1);  

padding = abs(size_input - size_label) / 2;  

count = 0;  

  

%% read data  

filepaths_input = dir(fullfile(folder_input,'*.jpg'));  

filepaths_label = dir(fullfile(folder_label,'*.jpg'));  

  

if (length(filepaths_input)==length(filepaths_label))  

    length = length(filepaths_input);  

else  

    error('The Number of Input is NOT equal to the Number of Label.');  

end  

  

%% generate data  

for i = 1 : length  

      

    im_input = imread(fullfile(folder_input,filepaths_input(i).name));  

    im_input = rgb2ycbcr(im_input);  

    im_input = im2double(im_input(:, :, 1));  

      

    im_label = imread(fullfile(folder_label,filepaths_label(i).name));  

    im_label = im2double(im_label(:, :, 1));  

  

    if size(im_input) == size(im_label)  

        [hei,wid] = size(im_input);  

    else  

        error('The size of input and label are not equal.');  

    end  

      

    for x = 1 : stride : hei-size_input+1  

        for y = 1 :stride : wid-size_input+1  

              

            subim_input = im_input(x : x+size_input-1, y : y+size_input-1);  

            subim_label = im_label(x+padding : x+padding+size_label-1, y+padding : y+padding+size_label-1);  

  

            count = count + 1;  

            data(:, :, 1, count) = subim_input;  

            label(:, :, 1, count) = subim_label;  

        end  

    end  

      

end  

  

%% randomized the data and label   

order = randperm(count);  

data = data(:, :, 1, order);  

label = label(:, :, 1, order);   

  

%% writing to HDF5  

chunksz = 128;  

created_flag = false;  

totalct = 0;  

  

for batchno = 1:floor(count/chunksz)  

    last_read=(batchno-1)*chunksz;  

    batchdata = data(:,:,1,last_read+1:last_read+chunksz);   

    batchlabs = label(:,:,1,last_read+1:last_read+chunksz);  

  

    startloc = struct('dat',[1,1,1,totalct+1], 'lab', [1,1,1,totalct+1]);  

    curr_dat_sz = store2hdf5(savepath, batchdata, batchlabs, ~created_flag, startloc, chunksz);   

    created_flag = true;  

    totalct = curr_dat_sz(end);  

end  

h5disp(savepath);  

终端下输入：

$ matlab -nodesktop -nosplash -logfile generate_train.log -r generate_train

产生训练数据train.h5。

3.)产生测试数据

$ vim generate_test.m

generate_test.m只需要将generate_test.m文件开头改为：

[plain] view
plain copy

clear;close all;  

  

%% settings  

folder_input = 'TestPhotos';  

folder_label = 'TestLabels';  

savepath = 'test.h5';  

size_input = 11;  

size_label = 3;  

stride = 30;  

将最后一段改成：

[plain] view
plain copy

%% writing to HDF5  

chunksz = 2;  

created_flag = false;  

totalct = 0;  

  

for batchno = 1:floor(count/chunksz)  

    last_read=(batchno-1)*chunksz;  

    batchdata = data(:,:,1,last_read+1:last_read+chunksz);   

    batchlabs = label(:,:,1,last_read+1:last_read+chunksz);  

  

    startloc = struct('dat',[1,1,1,totalct+1], 'lab', [1,1,1,totalct+1]);  

    curr_dat_sz = store2hdf5(savepath, batchdata, batchlabs, ~created_flag, startloc, chunksz);   

    created_flag = true;  

    totalct = curr_dat_sz(end);  

end  

h5disp(savepath);  

终端下输入：

$ matlab -nodesktop -nosplash -logfile generate_test.log -r generate_test

产生测试数据test.h5。仅仅用于判断训练到达什么地步。

4.建立训练文件

1.)建立solver文件

$ vim CNN_solver.prototxt

此为运行的配置文件，输入以下内容：

[plain] view
plain copy

# The train/test net protocol buffer definition  

net: "examples/CNN/CNN_net.prototxt"  

test_iter: 556  

# Carry out testing every 500 training iterations.  

test_interval: 500  

# The base learning rate, momentum and the weight decay of the network.  

base_lr: 0.0001  

momentum: 0.9  

weight_decay: 0  

# The learning rate policy  

lr_policy: "fixed"  

# Display every 100 iterations  

display: 100  

# The maximum number of iterations  

max_iter: 15000000  

# snapshot intermediate results  

snapshot: 500  

snapshot_prefix: "examples/CNN/snapshot/CNN"  

# solver mode: CPU or GPU  

solver_mode: GPU  

:wq保存退出。

2.)建立net文件

$ vim CNN_net.prototxt

此为网络结构配置文件，可以配置网络层数，节点数，卷积核等参数。输入以下内容：

[plain] view
plain copy

name: "CNN"  

layer {  

  name: "data"  

  type: "HDF5Data"  

  top: "data"  

  top: "label"  

  hdf5_data_param {  

    source: "examples/CNN/train.txt"  

    batch_size: 128  

  }  

  include: { phase: TRAIN }  

}  

layer {  

  name: "data"  

  type: "HDF5Data"  

  top: "data"  

  top: "label"  

  hdf5_data_param {  

    source: "examples/CNN/test.txt"  

    batch_size: 2  

  }  

  include: { phase: TEST }  

}  

  

layer {  

  name: "conv1"  

  type: "Convolution"  

  bottom: "data"  

  top: "conv1"  

  param {  

    lr_mult: 1  

  }  

  param {  

    lr_mult: 0.1  

  }  

  convolution_param {  

    num_output: 128  

    kernel_size: 5  

    stride: 1  

    pad: 0  

    weight_filler {  

      type: "gaussian"  

      std: 0.001  

    }  

    bias_filler {  

      type: "constant"  

      value: 0  

    }  

  }  

}  

  

layer {  

  name: "relu1"  

  type: "ReLU"  

  bottom: "conv1"  

  top: "conv1"  

}  

  

layer {  

  name: "conv2"  

  type: "Convolution"  

  bottom: "conv1"  

  top: "conv2"  

  param {  

    lr_mult: 1  

  }  

  param {  

    lr_mult: 0.1  

  }  

  convolution_param {  

    num_output: 64  

    kernel_size: 3  

    stride: 1  

    pad: 0  

    weight_filler {  

      type: "gaussian"  

      std: 0.001  

    }  

    bias_filler {  

      type: "constant"  

      value: 0  

    }  

  }  

}  

  

layer {  

  name: "relu2"  

  type: "ReLU"  

  bottom: "conv2"  

  top: "conv2"  

}  

  

layer {  

  name: "conv3"  

  type: "Convolution"  

  bottom: "conv2"  

  top: "conv3"  

  param {  

    lr_mult: 0.1  

  }  

  param {  

    lr_mult: 0.1  

  }  

  convolution_param {  

    num_output: 1  

    kernel_size: 3  

    stride: 1  

    pad: 0  

    weight_filler {  

      type: "gaussian"  

      std: 0.001  

    }  

    bias_filler {  

      type: "constant"  

      value: 0  

    }  

  }  

}  

  

layer {  

  name: "loss"  

  type: "EuclideanLoss"  

  bottom: "conv3"  

  bottom: "label"  

  top: "loss"  

}  

:wq保存退出。

5.CNN训练

$ vim train.sh

输入以下shell：

#!/bin/bash

cd ../../

./build/tools/caffe train --solver examples/CNN/CNN_solver.prototxt 2>&1 | tee examples/CNN/CNN.log

增加运行权限：

$ chmod +x train.sh

运行脚本文件：

$ ./train.sh

时间可能会运行几天，也可以提前退出(Ctrl+C)，因为在snapshot中有中间备份存储。

6.保存滤波器

1.)创建mat文件

$ cp CNN_net.prototxt CNN_mat.prototxt

将CNN_mat.prototxt文件开头两个layer段改为：

[plain] view
plain copy

name: "CNN"  

input: "data"  

input_dim: 1  

input_dim: 1  

input_dim: 11  

input_dim: 11  

  

input: "label"  

input_dim: 1  

input_dim: 1  

input_dim: 3  

input_dim: 3  

:wq保存即可。

2.)创建M文件

$ vim saveFilters.m

输入以下内容：(第7行可以更改需要转换的caffemodel文件名)

[plain] view
plain copy

caffe.reset_all();  

clear; close all;  

%% settings  

%folder = 'examples/CNN/';  

folder = './';  

model = [folder 'CNN_mat.prototxt'];  

weights = [folder 'snapshot/CNN_iter_550000.caffemodel'];  

savepath = [folder 'model/x.mat'];  

layers = 3;  

  

%% load model using mat_caffe  

net = caffe.Net(model,weights,'test');  

  

%% reshap parameters  

weights_conv = cell(layers,1);  

  

for idx = 1 : layers  

    conv_filters = net.layers(['conv' num2str(idx)]).params(1).get_data();  

    [~,fsize,channel,fnum] = size(conv_filters);  

  

    if channel == 1  

        weights = double(ones(fsize^2, fnum));  

    else  

        weights = double(ones(channel, fsize^2, fnum));  

    end  

      

    for i = 1 : channel  

        for j = 1 : fnum  

             temp = conv_filters(:,:,i,j);  

             if channel == 1  

                weights(:,j) = temp(:);  

             else  

                weights(i,:,j) = temp(:);  

             end  

        end  

    end  

  

    weights_conv{idx} = weights;  

end  

  

%% save parameters  

weights_conv1 = weights_conv{1};  

weights_conv2 = weights_conv{2};  

weights_conv3 = weights_conv{3};  

biases_conv1 = double(net.layers('conv1').params(2).get_data());  

biases_conv2 = double(net.layers('conv2').params(2).get_data());  

biases_conv3 = double(net.layers('conv3').params(2).get_data());  

  

save(savepath,'weights_conv1','biases_conv1','weights_conv2','biases_conv2','weights_conv3','biases_conv3');  

:wq保存。

3.)运行M文件

$ matlab -nodesktop -nosplash -logfile saveFilters.log -r saveFilters

此时，在model中会生成x.mat文件。

7.CNN重构

已经知道了x.mat文件中，有三层卷积层的卷积核矩阵weights_conv*和偏置向量biases_conv*。

编写一个demo_net.m文件，使用这些参数构建卷积网络结构，对输入图像(矩阵)进行处理，即可得到结果。

不同应用有不同的源码，这里省略该文件源码。