Caffe系列之命令行解析

caffe运行提供三种接口：C++接口，python接口和matlab接口

caffe的C++主程序（caffe.cpp）放在根目录下的tools文件夹内，当然还有一些其他功能文件，如：

convert_imageset.cpp, train_net.cpp, test_net.cpp等也放在这个文件夹内。经过编译后，这些文件都编译成了可执行文件，放在了./build/tools/文件夹内。因此我们要执行caffe程序，需要添加./build/tools/前缀。

$ sudo sh ./build/tools/caffe train --solver=examples/mnist/train_lenet.sh

caffe程序的命令执行格式如下：

caffe <command> <args>

其中的有四种：

train

test

device_query

time

对应的功能为：

train—–训练或finetune模型（model）

test—–测试模型

device_query—–显示GPU信息

time—-显示程序执行时间

其中参数有

-solver

-gpu

-snapshot

-iteration

-model

-sighup_effect

-sigint_effect

-slover:必选参数。一个protocol_buffer类型的文件，即模型的配置文件。

$ ./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt

-gpu:可选参数。该参数用来指定用那一块gpu运行，根据gpu的id进行选择，如果设置为‘-gpu all’则使用所有的gpu运行。如何使用第二块gpu运行：

$ ./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -gpu 2

-snapshot: 可选参数。该参数用来从快照中恢复训练。可以在solver配置文件设置快照，保存solverstate。如：

$ ./build/tools/caffe trian -solver examples/mnist/lenet_solver.prototxt -snapshot examples/mnist/lenet_iter_5000.solverstate

-weight: 可选参数。用预训练好的权重来fine-tuning模型，需要一个caffemodel，不能和-snapshot同时使用。如：

$ .build/tools/caffe train -solver examples/finetuning_on_flickr_style/solver.prototxt -weights models/bvlc_reference_caffenet/bvlc_reference_caff.caffemodel

-iterations: 可选参数，迭代次数，默认为50. 如果在配置文件中没有设定迭代次数，则默认迭代50次

-model：可选参数，定义在protocol buffer文件中的模型。也可以在solver配置文件中设定。

-sighup_effect: 可选参数。用来设定当程序发生时挂起事件，执行的操作，可以设置为snapshot, stop或none，默认为snapshot

-signt_effect: 可选参数。用来设定当程序发生键盘中止事件时，执行操作，可以设置为snapshot，stop或none，默认为stop。

其他三个

test参数用在测试阶段，用于最终结果输出，要模型配置文件中我们可以设定需要输入accuracy还是loss。假设我们要在验证集中验证已经训练好的模型，就可以这样写

$ ./build/tools/caffe test -model examples/mnist/lenet_train_test.prototxt -weights examples/mnist/lenet_iter_10000.caffemodel -gpu 0 -iterations 100

不仅用到了test参数，还用到了-model，-weight，-gpu和-iteration四个参数。意思是利用训练好的权重（-weight），输入到测试模型中（-model），用编号为0的gpu（-gpu）测试100次（iteration）

time参数用来在屏幕上显示程序时间。如

$ ./build/tool/caffe time -model example/mnist/lenet_train_test.prototxt -iterations 10

这个例子用来在屏幕上显示lenet模型迭代10次所使用的时间。包括每次迭代的forward和backward所用时间，也包括每层forward和backward所用的平均时间。

$ ./buid/tools/caffe time -model examples/mnist/lenet_train_test.prototxt -gpu 0

这个例子用来在屏幕上显示lenet模型用gpu迭代50次所使用的时间。

$ ./build/tools/caffe time -model examples/mnist/lenet_train_test.prototxt -weights examples/mnist/lenet_iter_10000.caffemodel -gpu 0 -iterations 10

利用给定的权重，利用第一块gpu，迭代10次lenet模型所用的时间。

device_query参数用来诊断gpu时间

$ ./build/tools/caffe device_query -gpu 0

最后，我们来看两个关于gpu的例子

$ ./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -gpu 0,1
$ ./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -gpu all

这两个例子表示： 用两块或多块GPU来平行运算，这样速度会快很多。但是如果你只有一块或没有gpu, 就不要加-gpu参数了，加了反而慢。

最后，在linux下，本身就有一个time命令，因此可以结合进来使用，因此我们运行mnist例子的最终命令是(一块gpu)：

$ sudo time ./build/toos/caffe train -solver examples/mnist/lenet_solver.prototxt