【杂谈】工程能力差，C++水平菜？CUDA没写过？我推荐玩下Caffe
深度學習開源框架眾多，基于C++的訓練框架唯有Caffe一個，盡管Caffe在做一些比較新的任務時成本極高，但它依舊有它存在的價值，今天在這里給出幾個推薦理由。
作者&編輯 | 言有三
1 Caffe的功績
筆者從2015年開始從事深度學習相關(guān)的工作，彼時不管是學術(shù)界還是工業(yè)界，Caffe是主流。哪怕隨著幾年后Tensorflow，MxNet，以及近兩年P(guān)ytorch的崛起，在移動端部署，各家公司在很長一段時間內(nèi)都是將Caffe的核心代碼移植到手機上。
隨著騰訊的NCNN，小米MACE等移動端開源框架的流行，這個比例才慢慢降低。但是如果你認識一些在移動端上做視覺算法的朋友，可以問問他們的產(chǎn)品線上還有Caffe還有多大的比例，我相信或多或少都有，甚至是主流。
接口穩(wěn)定，推理速度快，這是它流行的最重要的原因，這兩點對于工業(yè)界應用來說是真正的剛需。
2 Caffe安裝真的很難嗎
很多同學害怕Caffe，首先是因為害怕它的環(huán)境配置。誠然，Caffe需要自己編譯，但是這個編譯真的難嗎？
以Ubuntu為例，高于17.04的版本，安裝就一條命令：
sudo apt install caffe-cuda
低于17.04的版本，也就是要做幾件事情：
(1) 安裝Nvidia驅(qū)動和CUDA。
(2) 安裝依賴庫。
(3) 在Caffe源代碼中配置好庫路徑然后編譯。
第一條，或許是有一些坑，但這不是做深度學習算法工程師必備的技能嗎？公司和實驗室有了新的機器讓你配置難道也說不會。
第二條，無腦apt-get命令。
第三條，配置一下庫的路徑而已，Makefile都沒讓你寫，只是無腦敲一下make命令。
新手在環(huán)境安裝上卡住，其實并不是Caffe難，而是使用者對Linux系統(tǒng)非常不熟悉，這個鍋Caffe不背。還從未聽過哪家做深度學習算法開發(fā)的公司不基于Linux環(huán)境，你今天不學會到了公司更痛苦。
3 Caffe其實是最簡單的
很多人覺得Caffe好難啊，其實我想說，Caffe有可能是最簡單的了。它的使用流程如下：
以圖像分類任務為例：
(1) 準備數(shù)據(jù)就是將數(shù)據(jù)按照Caffe分類任務的輸入格式準備如下，這很簡單吧，一個Python遍歷腳本。
../../../../datas/mouth/1/182smile.jpg 1
../../../../datas/mouth/1/435smile.jpg 1
../../../../datas/mouth/0/40neutral.jpg 0
../../../../datas/mouth/1/206smile.jpg 1
(2) 定義網(wǎng)絡，就是去改改網(wǎng)絡配置文件train.prototxt，復雜點的寫個腳本，卷積層的格式如下：
layer {
一邊改一邊在Netscope中實時可視化，網(wǎng)絡拓撲結(jié)構(gòu)有沒有問題一點就能看出來。
(3) 配置訓練參數(shù)，就是改改下面的文件。
net: "./train.prototxt"
test_iter: 100
test_interval: 10
base_lr: 0.00001
momentum: 0.9
type: "Adam"
lr_policy: "fixed"
display: 100
max_iter: 10000
snapshot: 2000
snapshot_prefix: "./snaps/conv3_finetune"
solver_mode: GPU
(4) 訓練，跟大部分框架一樣，甚至更加簡單。下面是一個finetune模型的例子。
SOLVER=./solver.prototxt
WEIGHTS=./init.caffemodel
../../../../libs/Caffe_Long/build/tools/caffe train -solver $SOLVER -weights $WEIGHTS -gpu 0 2>&1 | tee log.txt
縱觀以上任務，你做了啥？不就是寫個腳本處理了一下數(shù)據(jù)，把網(wǎng)絡模塊化的搭建一下，把優(yōu)化參數(shù)配置一下，整體下來，可能20行Python代碼都沒有。
恐怕只有像Darknet這樣類似的框架才有如此清晰而又簡單的過程。
只要把你任務需要的網(wǎng)絡層準備好了，用Caffe訓練和測試都非常簡單，至于網(wǎng)絡層不會寫，各路大神開源的代碼在GitHub上多的很，至少一些基本的視覺任務都是有的。GitHub拿來主義，人人皆會。
4 如何用Caffe學習C++和CUDA
使用Caffe可以非常方便的鍛煉自己的C++和CUDA水平，有三步曲。
(1) 閱讀學習Caffe的源代碼和設計模式。
Caffe的所有源代碼都是C++/CUDA寫的，使用工廠設計模式，代碼結(jié)構(gòu)清晰，可讀性和拓展性強，效率高。
(2) 自己添加新的網(wǎng)絡層，包括數(shù)據(jù)層，損失層等。
把C++類的設計，各種數(shù)據(jù)結(jié)構(gòu)和標準庫熟悉并且用起來，把CUDA代碼也寫一寫。這些都是以后去公司從事模型部署和優(yōu)化框架工作所必須準備好的技能。
(3) 學會用Caffe部署和分析模型。
學會用Caffe去分析每一個網(wǎng)絡層的計算量和計算時間，找到性能瓶頸。學會用它把模型進行封裝和加密，在嵌入式平臺中使用。
Caffe確實沒有像Pytorch等框架那么學術(shù)而更偏工程，但工程能力正是現(xiàn)在大多數(shù)想進入這一行的同學所欠缺的。
你會的，別人不會，才體現(xiàn)出你的價值。
對公司來說重要的，不是你會什么，而是它需要什么。
脫離了工程實踐能力的算法工程師，滿大街都是，但他們找不到工作。
5 Caffe的穩(wěn)和缺點
Caffe最大的特點是穩(wěn)，不像Tensorflow等框架一樣更新一次版本后原來的代碼就不能用了，庫又得重新裝了等等，只需要專注于自己的任務即可。
當然版本穩(wěn)定就帶來了一些缺點，比如不支持自動求導，不支持模型級并行，只支持數(shù)據(jù)級并行，不適合于非圖像任務等。
但還是那句話，對于基于卷積神經(jīng)網(wǎng)絡的成熟而通用的任務來說，Caffe是很不錯的選擇，它的學習價值，也永不褪色。
相關(guān)學習資料，可以參考我們的往期文章和GitHub開源框架。
【完結(jié)】給新手的12大深度學習開源框架快速入門項目
總結(jié)
C++和CUDA等代碼的水平對于在工業(yè)界從事深度學習相關(guān)工作至關(guān)重要，差異化的能力更容易讓你在競爭中取勝。
有三AI夏季劃
有三AI夏季劃進行中，歡迎了解并加入，系統(tǒng)性成長為中級CV算法工程師。
轉(zhuǎn)載文章請后臺聯(lián)系
侵權(quán)必究
往期精選
有三AI發(fā)布360頁11萬字深度學習CV算法工程師成長指導手冊，可下載收藏打印，未完待續(xù)
CV算法崗秋招臨門最后一腳，有三補招最后20個春季劃徒弟
【完結(jié)】深度學習CV算法工程師從入門到初級面試有多遠，大概是25篇文章的距離
【完結(jié)】優(yōu)秀的深度學習從業(yè)者都有哪些優(yōu)秀的習慣
【完結(jié)】給新手的12大深度學習開源框架快速入門項目
【完結(jié)】總結(jié)12大CNN主流模型架構(gòu)設計思想
【知乎直播】千奇百怪的CNN網(wǎng)絡架構(gòu)等你來
【AI不惑境】數(shù)據(jù)壓榨有多狠，人工智能就有多成功
【AI不惑境】網(wǎng)絡深度對深度學習模型性能有什么影響？
【AI不惑境】網(wǎng)絡的寬度如何影響深度學習模型的性能？
【AI不惑境】學習率和batchsize如何影響模型的性能？
【AI不惑境】殘差網(wǎng)絡的前世今生與原理
【AI不惑境】移動端高效網(wǎng)絡，卷積拆分和分組的精髓
【AI不惑境】深度學習中的多尺度模型設計
【AI不惑境】計算機視覺中注意力機制原理及其模型發(fā)展和應用
總結(jié)
以上是生活随笔為你收集整理的【杂谈】工程能力差，C++水平菜？CUDA没写过？我推荐玩下Caffe的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 如何跟随有三从零进阶中级CV算法工程师
- 下一篇： 【GAN优化】详解GAN中的一致优化问题