（一）簡介

1.caffe是一個清晰而高效的深度學習框架，純粹的C++/CUDA架構，支持命令行、Python和MATLAB接口，可以在CPU和GPU直接無縫切換；

2.caffe的主要優勢：

（1）CPU與GPU的無縫切換；

（2）模型與優化都是通過配置文件來設置，無需代碼；

3.caffe的下載與安裝：

（1）下載

（2）安裝

（3）caffe的下載與安裝以及一些基本的介紹官網已經描述地比較詳細，這里不再重復；

4.caffe的使用接口有命令行，python跟matlab，個人覺得訓練模型的時候使用命令行已經足夠簡單了，至于訓練好的模型可以使用python與matlab的接口進行調用，本文先描述基于命令行的模型訓練，以LeNet模型為例；

（二）LeNet模型

PS：LeNet是手寫數字庫MNIST上應用比較經典的模型，具有7層網絡結構，分別是卷積-下采樣-卷積-下采樣-全連-全連-分類層，具體網絡細節可以參考文章：

Gradient based learning applied to document recognition

1.安裝編譯完caffe后，其主目錄下有：

2.訓練模型之前需要先準備好訓練數據MNIST，執行以下命令可以下載MNIST數據庫：

3.由于caffe支持的數據類型不包括圖像類型，所以常規做法需要將圖像類型轉為lmdb類型：

4.準備好數據之后，我們需要定義我們的網絡模型，在caffe中是通過.prototxt配置文件來定義的，執行以下命令：

可以看到各個網絡層是如何定義的：

（1）輸入層（數據層）：

layer {name: "mnist" //表示層名type: "Data" //表示層的類型top: "data" top: "label"include {phase: TRAIN //表示僅在訓練階段起作用}transform_param {scale: 0.00390625 //將圖像像素值歸一化}data_param {source: "examples/mnist/mnist_train_lmdb" //數據來源batch_size: 64 //訓練時每個迭代的輸入樣本數量backend: LMDB //數據類型} }（2）卷積層：

layer {name: "conv1"type: "Convolution"bottom: "data" //輸入是datatop: "conv1" //輸出是卷積特征param {lr_mult: 1 //權重參數w的學習率倍數}param {lr_mult: 2 //偏置參數b的學習率倍數}convolution_param {num_output: 20kernel_size: 5stride: 1weight_filler { //權重參數w的初始化方案，使用xavier算法type: "xavier"}bias_filler {type: "constant" //偏置參數b初始化化為常數，一般為0}} }
（3）下采樣層（pool）：

layer {name: "pool1"type: "Pooling"bottom: "conv1"top: "pool1"pooling_param {pool: MAXkernel_size: 2stride: 2} }
（4）全連層：

layer {name: "ip1"type: "InnerProduct"bottom: "pool2"top: "ip1"param {lr_mult: 1}param {lr_mult: 2}inner_product_param {num_output: 500weight_filler {type: "xavier"}bias_filler {type: "constant"}} }（5）非線性層：

layer {name: "relu1"type: "ReLU"bottom: "ip1"top: "ip1" }（6）準確率層（計算準確率）：

layer {name: "accuracy"type: "Accuracy"bottom: "ip2"bottom: "label"top: "accuracy"include {phase: TEST} }（7）損失估計層：

layer {name: "loss"type: "SoftmaxWithLoss"bottom: "ip2"bottom: "label"top: "loss" }
5.定義完網絡模型，還需要配置關于模型優化的文件：

配置文件如下：

# The train/test net protocol buffer definition net: "examples/mnist/lenet_train_test.prototxt" //設定網絡模型配置文件的路徑 # test_iter specifies how many forward passes the test should carry out. # In the case of MNIST, we have test batch size 100 and 100 test iterations, # covering the full 10,000 testing images. test_iter: 100 # Carry out testing every 500 training iterations. test_interval: 500 # The base learning rate, momentum and the weight decay of the network. base_lr: 0.01 momentum: 0.9 weight_decay: 0.0005 # The learning rate policy lr_policy: "inv" gamma: 0.0001 power: 0.75 # Display every 100 iterations display: 100 # The maximum number of iterations max_iter: 10000 # snapshot intermediate results snapshot: 5000 snapshot_prefix: "examples/mnist/lenet" # solver mode: CPU or GPU solver_mode: GPU

6.接下來一步就是進行訓練了，直接執行命令就可以：

執行后可以看到：首先會讀取配置文件初始化網絡跟優化器：

緊接著開始優化：

可以看到訓練過程中每100次迭代就會顯示一個loss，每500次迭代就會計算一次test準確率，總共10000次迭代，這些都可以在配置文件中設置；

7.訓練完之后的模型就保存在.caffemodel文件中，該文件可以被c，python，matlab等調用；

8.通過前面博文的LeNet模型的使用，我們可以發現，使用caffe訓練模型只需要以下幾個步驟：

（1）準備好數據；

（2）寫好模型配置文件；

（3）寫好優化配置文件；

（4）命令行執行；

這樣就可以得到訓練的模型.caffemodel文件了；

（三）基于命令行的模型訓練

1.準備數據

（1）數據來源：任意的jpg或其他格式的圖像數據；

（2）劃分數據為train跟val數據集，并且使用文本記錄好對應的標簽（自己寫腳本就可以），格式如下：

注意label是從0開始的；

（3）將數據轉化為lmdb，在caffe的根目錄下，/build/tools/下有各種可以使用的命令行工作，為了將圖像數據轉為lmdb，使用的是convert_imageset指令，具體如下：

$CAFFE_TOOLS/convert_imageset \--resize_height=$RESIZE_HEIGHT \--resize_width=$RESIZE_WIDTH \--shuffle \$IMAGE_DATA_ROOT \$LABEL_DATA_PATH/label.txt \$OUTPUT_PATH/data_lmdb其中CAFFE_TOOLS是命令行路徑；resize_height根據自己需要決定是否要將原始圖片resize；

2.訓練模型
前面已經講述了如何配置模型文件跟優化文件，現在需要注意的是如何調用命令行來訓練：

很簡單，只需指定優化配置文件的路徑即可；

至此模型訓練結束，我們已經得到了我們想要的模型，存放在. caffemodel中；

3.使用模型

以下記錄如何用命令行使用訓練好的模型，主要是講述提取每層的特征：

（1）test.prototxt描述的是測試的網絡結構；

（2）ip2表示需要提取特征的層的名字；

4.注意事項

（1）在將jpg數據轉為lmdb時，都需要有label的文本信息，一般來說，train跟validation數據是帶有label的，test數據是沒有的，一般是給test數據提供index文本信息；

（2）在模型訓練過程中將導入train數據跟val數據，其中train數據是為了訓練模型，val數據給出識別率為調參提供參考；其中val數據不是必須的，根據需要在訓練模型配置文件中定義；

（3）訓練過程的模型文件既定義了訓練模型也定義了驗證模型，而提取特征過程的模型文件中只定義測試模型；

（4）在提取的特征中，每張圖象的特征的次序跟輸入的次序是不一樣的，為了得到caffe中模型訓練過程的輸入圖像的次序，可以通過提取test數據的index文本信息，也就是label信息；

（5）提取出來的特征以lmdb形式給出，需要根據需要自行轉換；

總結

以上是生活随笔為你收集整理的caffe入门教程的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。