Caffe_一个深度学习框架_网站前端开发_前端开发者

网站前端开发_前端开发者web前端

https://www.rokub.com

Caffe是一个深度学习框架,具有表达力强、速度快和模块化的思想,由伯克利视觉学习中心(BVLC)和社区贡献者开发。
Yangqing Jia在加州大学伯克利分校攻读博士期间创建了这个项目。
为什么选择Caffe?富有表现力的架构鼓励应用和创新。
使用Caffe,可以在配置中定义模型和优化,不需要硬编码。
通过设置一个GPU机器训练标记在CPU和GPU之间转换,接着调配商品化集群系统或移动设备来完成。
代码的可扩展性让开发更加活跃。
在Caffe项目的第一年,它就被开发者fork超过1000次,由他们完成许多重要的修改并反馈回来。
多亏那些贡献者,这个框架在代码和模型两方面都在追踪最先进的技术。
速度使Caffe完美的用于研究实验和工业开发。
使用一个NVIDIA K40 GPU Caffe每天可以处理超过60M的图像。
推理过程为1ms/一幅图像,而学习过程为4ms/一幅图像。
我们相信Caffe是现在可使用最快的ConvNet应用。
社区:在视觉、速度和多媒体方面,Caffe已经有能力用于学术研究项目、启动原型,甚至大规模的工业应用。
安装在安装之前,看一下这个手册,记录下平台的一些细节。
我们可以在Ubuntu 16.04-12.04、OS X10.11-10.8上通过Docker和AWS安装和运行Caffe。
官方的编译脚本和Makefile.config编译由社区CMake编译补全。
逐步介绍:必备条件Caffe有几个依赖项:推荐使用库版本7+和最新的驱动版本,但是6.*也可以。
5.5和5.0兼容但是被认为是过时的。
可选依赖项:Pycaffe和Matcaffe接口有它们自己的需求。
对于Python Caffe:Python 2.7或Python 3.3+,numpy(>=1.7),boost条件下为boost.python对于MATLAB Caffe:带有mex编译器的MATLAB。
cuDNN Caffe:为了达到最快的运行速度,Caffe通过插入式集成NVIDIA cuDNN来加速。
为了提升你的Caffe模型的速度,安装cuDNN,然后安装Caffe时在Makefile.config中取消注释USE_CUDNN:=1标记。
Caffe会自动进行加速。
当前版本是cuDNN v5;在旧版Caffe中支持旧版本。
CPU-only Caffe:对于cold-brewed只有CPU模式的Caffe,在Makefile.config中取消注释CUP_ONLY :=1标记,配置和生成没有CUDA的Caffe。
这对于云或者集中配置非常有帮助。
CUDA和BLASCaffe需要CUDA nvcc编译器编译它的GPU代码和用于GPU操作的CUDA驱动器。
可以去NUIDIA CUDA网站,按照那里的安装说明安装CUDA。
分别安装库和最新的独立驱动器;驱动器和库捆绑在一起通常是过时的。
警告!331.*CUDA驱动器序列有严重的性能问题,不要使用它。
为获得最佳性能,Caffe可以通过NVIDIA cuDNN加速。
在cuDNN网站上免费注册、安装,然后继续根据安装说明操作。
编译cuDNN时在你的Makefile.config中设置USE_CUDNN :=1标记。
Caffe需要BLAS作为它的矩阵和向量计算的后端。
有几个这个库的实现工具。
你可以选择:安装MKL。
设置MKL环境变量(细节:Linux,OS X)。
例如:source /opt/intel/mkl/bin/mklvars.sh intel64 在Makefile.config中设置BLAS := mkl安装OpenBLAS 在config中设置BLAS :=openPython 和 MATLAB Caffe(可选)Python主要依赖numpy和boost.python(由boost提供)。
Pandas也很有用,而且一些例子中需要它。
你可以使用下面的命令安装依赖项。
for req in $(cat requirements.txt); do pip install $req; done 1 for req in $ ( cat requirements . txt ) ; do pip install $ req ; done但是,建议先安装Anaconda Python发行包,它可以提供大多数必需的包和hdf5库依赖项。
在安装结束后导入caffe Python模块,通过诸如export PYTHONPATH=/path/to/caffe/python:$PYTHONPATH添加模块目录到你的$PYTHONPATH。
不应该在caffe/python/caffe目录中导入模块。
Caffe’s Python接口在Python2.7中工作。
Python3.3+应该立即可以使用,不需要protobuf支持。
对于protobuf支持请安装protobuf 3.0 alpha (https:developers.google.com/protocol-buffers/)。
早期版本的Python需要自行探索安装方法。
MATLAB安装MATLAB,确保$PATH中已加入mex。
Caffe的MATLAB接口可以在版本2015a、2014a/b、2013a/b和2012b中工作。
编译Caffe可以使用Make或CMake编译。
Make是官方支持,CMake由社区支持。
使用Make编译通过复制和修改示例Makefile.config为安装配置生成文件。
默认值应该可以工作,但是如果使用Anaconda Python,要取消注释对应的代码行。
cp Makefile.config.example Makefile.config # Adjust Makefile.config (for example, if using Anaconda Python, or if cuDNN is desired) make all make test make runtest 1 2 3 4 5 cp Makefile . config . example Makefile . config # Adjust Makefile.config (for example, if using Anaconda Python, or if cuDNN is desired) make all make test make runtest对于CPU&GPU加速的Caffe,不需要改变。
对于使用NVIDIA私有的cuDNN软件的cuDNN加速器,取消注释Makefile.config中的USE_CUDNN :=1。
cuDNN有时比Caffe的GPU加速器速度快,但不是一贯如此。
对于只有CPU的Caffe,取消注释Makefile.config中的CPU_ONLY :=1。
为了编译Python和MATLAB包装类,分别执行make pycaffe和make matcaffe。
确保先在Makefile.config中设置你的MATLAB和Python路径。
分配:运行make distribute,创建一个带有所有Caffe头文件的distribute目录,编译库、二进制文件等。
为分配到其他机器所需。
速度:为了快速的生成,通过运行make all –j8并行编译,其中8是并行编译线程的数量(线程数量最好选择机器内核的数量)。
安装好Caffe后,检查MNIST教程和ImageNet模型教程。
CMake编译在手动编辑Makefile.config的地方配置编译文件,Caffe提供一个非官方的CMake编译,感谢一些社区成员。
需要CMAke版本>=2.8.7。
基本步骤如下所示:mkdir build cd build cmake .. make all make install make runtest 1 2 3 4 5 6 mkdir build cd build cmake . . make all make install make runtest更多细节参见:https:github.com/BVLC/caffe/pull/1667ImageNet训练网络这个教程是为了让你准备好使用自己的数据训练自己的模型。
如果你想要一个ImageNet训练网络,那么请注意训练会消耗大量的能源,而我们讨厌全球变暖,所以我们提供CaffeNet模型作为下面model zoo中的训练模型。
数据准备本文指出所有的路径,并假设所有的命令在caffe根目录执行。
ImageNet,我们这里的意思是ILSVRC12挑战赛,但是你可以轻松训练整个ImageNet,只是需要更多的磁盘控件和稍微多一点的训练时间。
我们假设你已经下载了ImageNet训练数据和验证数据,它们存储在你的磁盘中如下位置:/path/to/imagenet/train/n01440764/n01440764_10026.JPEG /path/to/imagenet/val/ILSVRC2012_val_00000001.JPEG 1 2 / path / to / imagenet / train / n01440764 / n01440764_10026 . JPEG / path / to / imagenet / val / ILSVRC2012_val_00000001 . JPEG首先,你需要准备一些用于训练的辅助数据。
这些数据可以这样下载。
./data/ilsvrc12/get_ilsvrc_aux.sh 1 . / data / ilsvrc12 / get_ilsvrc_aux . sh训练和验证输入数据分别为train.txt和val.txt,使用文本文件列出所有文件和它们的标签。
注意我们对标签使用同ILSVRC devkit不同的索引:我们按照ASCII码排序这些同义词组的名字,从0到999标记它们。
在synset_works.txt中查看同义词组和名字的映射。
你可能想要预先调整图像的大小为256*256。
默认情况下,我们不需要显示的做这个,因为在集群环境中,一个好处是可以并行调整图像大小,并使用分布式编程环境。
例如,Yangqing使用他的轻量级mincepie包。
如果你想要事情更简单,你也可以像这样使用shell命令:for name in /path/to/imagenet/val/*.JPEG; do convert -resize 256×256! $name $name done 1 2 3 for name in / path / to / imagenet / val / * . JPEG ; do convert – resize 256×256 ! $ name $ name done看一下examples/imagenet/create_imagenet.sh。
根据需要设置路径为训练和验证目录,同时设置“RESIZE=true”调整所有图像的大小为256*256,如果你没有提前调整图像。
现在只使用examples/imagenet/create_imagenet.sh创建leveldbs。
注意,examples/imagenet/ilsvrc12_train_leveldb和examples/imagenet/ilsvrc12_val_leveldb不应该在执行前存在。
它由脚本创建。
GLOG_logtostderr=1仅仅传送更多的信息给你观察,你可以安全地忽视它。
计算图像平均值模型需要我们从每幅图像中减去图像平均值,所以我们必须计算平均值。
tools/compute_image_mean.cpp完成这些,它也是一个熟悉怎样操纵多个组件很好的例子,例如协议缓存、leveldbs和登录,如果你不熟悉它们的话。
总之,平均值计算可以这样做:./examples/imagenet/make_imagenet_mean.sh 1 . / examples / imagenet / make_imagenet_mean . sh结果会生成data/ilsvrc12/imagenet_mean.binaryproto.模型定义我们将描述Krizhevsky、Sutskever和Hinton在NIPS 2012 的文章中第一次提出这个方法的参考实例。
网络定义(models/bvlc_reference_caffenet/train_val.prototxt)遵循Krizhevsky等人的定义。
注意,如果偏离了本文建议的文件路径,你需要在.prototxt文件中调整相关路径。
如果你认真看了models/bvlc_reference_caffenet/train_val.prototxt,你会注意到几个指定phase: TRAIN或phase: TEST的include部分。
这部分允许我们在一个文件中定义两个非常相关的网络:一个网络用于训练,另一个网络用于测试。
这两个网络几乎是相同的,分享所有的层,除了那些标记为include { phase: TRAIN } 或 include { phase: TEST }的层。
在这种情况下,只有输入层和一个输出层是不同的。
输入层的不同:训练网络数据的输入层从examples/imagenet/ilsvrc12_train_leveldb中提取数据,随机的映射到输入图像。
测试网络的数据层从examples/imagenet/ilsvrc12_val_leveldb中获得数据,不执行随机映射。
输出层的不同:两个网络都输出softmax_loss层,它在训练网络中用于计算损失函数,并初始化反向传播算法,而在验证过程只是简单的报告这个损失。
测试网络还有第二个输出层,accuracy,它用于报告测试集的准确度。
在训练过程,测试网络偶尔在测试集上被实例化并测试,产生代码行如Test score #0: xxx 和 Test score #1: xxx。
在这里score0是准确度(对于未训练的网络将从1/1000=0.001开始),score1是损失(对于未训练的网络将从7附近开始)。
我们也将设计一个协议缓存用于运行求解。
让我们做几个计划:我们将以256个为一组,运行总共450000次迭代(大约90个最大训练次数)。
每1000次迭代,我们使用验证数据测试学习网络。
我们设置初始学习速率为0.01,每100000次迭代后减小它(大概20个最大训练次数)。
每20个迭代显示一次信息。
这个训练网络的动量为0.9,权重衰减为0.0005.每10000次迭代,我们会简要说明当前状态。
听起来不错吧?这是在models/bvlc_reference_caffenet/solver.prototxt.中完成的。
训练ImageNet准备好了吗?我们开始训练。
./build/tools/caffe train –solver=models/bvlc_reference_caffenet/solver.prototxt 1 . / build / tools / caffe train — solver = models / bvlc_reference_caffenet / solver . prototxt在一个K40机器上,每20次迭代大概需要运行26.5秒(在K20上为36秒),所以实际上每幅图像完成完全前后向移动采集数据为5.2ms。
大概2ms向前,其余时间向后。
如果你对仔细分析计算时间感兴趣,你可以运行./build/tools/caffe time –model=models/bvlc_reference_caffenet/train_val.prototxt 1 . / build / tools / caffe time — model = models / bvlc_reference_caffenet / train_val . prototxt继续训练?我们都经历过停电,或者我们想要稍微奖励自己一下,玩一会儿Battlefield(还有人记得Quake吗?)。
因为我们在训练时截取中间结果,所以我们可以从截图位置继续训练。
这可以很容易的完成,像这样:./build/tools/caffe train –solver=models/bvlc_reference_caffenet/solver.prototxt — snapshot=models/bvlc_reference_caffenet/caffenet_train_iter_10000.solverstate 1 2 . / build / tools / caffe train — solver = models / bvlc_reference_caffenet / solver . prototxt — snapshot = models / bvlc_reference_caffenet / caffenet_train_iter_10000 . solverstate其中脚本caffenet_train_iter_10000.solverstate是存储所有所需信息的求解状态简介,可以用来恢复为准确的求解状态(包括参数、动量历史等)。
结语因为你有了已训练网络,查看怎样使用Python接口分类图像。
分类ImageNet:使用C++接口Caffe,它的内核是用C++写的。
可以使用Caffe的C++接口去完成类似上个例子中Python代码展示的图像分类应用。
为了查看Caffe C++ API更通用的示例,你应该学习tools/caffe.cpp中的命令行工具caffe的源代码。
介绍文件examples/cpp_classification/classification.cpp给出了简单的C++代码。
为了简单起见,这个例子不支持单一样本过采样,也不支持多个独立样本的批处理。
这个例子不是试图达到系统吞吐量的最大可能分类,而是特别注意在保持代码可读性的同时避免不必要的劣化。
编译这个C++示例是在编译Caffe时自动生成。
遵循文档说明编译Caffe,在build目录中这个分类示例被生成为examples/classification.bin。
用途想要使用预先训练的CaffeNet模型分类示例,需要先从“Model Zoo”中下载。
使用脚本:./scripts/download_model_binary.py models/bvlc_reference_caffenet 1 . / scripts / download_model_binary . py models / bvlc_reference_caffenetImageNet标签文件(也叫同义词组文件)也是需要的,用于将预测类别映射到类别名:./data/ilsvrc12/get_ilsvrc_aux.sh 1 . / data / ilsvrc12 / get_ilsvrc_aux . sh使用这些下载的文件,我们可以分类预先准备的猫图像(examples/images/cat.jpg),使用命令:./build/examples/cpp_classification/classification.bin models/bvlc_reference_caffenet/deploy.prototxt models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel data/ilsvrc12/imagenet_mean.binaryproto data/ilsvrc12/synset_words.txt examples/images/cat.jpg 1 2 3 4 5 6 . / build / examples / cpp_classification / classification . bin models / bvlc_reference_caffenet / deploy . prototxt models / bvlc_reference_caffenet / bvlc_reference_caffenet . caffemodel data / ilsvrc12 / imagenet_mean . binaryproto data / ilsvrc12 / synset_words . txt examples / images / cat . jpg输出应该是:———- Prediction for examples/images/cat.jpg ———- 0.3134 – “n02123045 tabby, tabby cat” 0.2380 – “n02123159 tiger cat” 0.1235 – “n02124075 Egyptian cat” 0.1003 – “n02119022 red fox, Vulpes vulpes” 0.0715 – “n02127052 lynx, catamount” 1 2 3 4 5 6 7 8 9 10 11 — — — — — Prediction for examples / images / cat . jpg — — — — — 0.3134 – “n02123045 tabby, tabby cat” 0.2380 – “n02123159 tiger cat” 0.1235 – “n02124075 Egyptian cat” 0.1003 – “n02119022 red fox, Vulpes vulpes” 0.0715 – “n02127052 lynx, catamount”提高性能为了进一步提高性能,你需要更多的利用GPU,这里是一些准则:尽早将数据转移到GPU上,在这里完成所有的预处理操作。
如果你同时分类许多图像,应该使用批处理(许多独立图像在一次运行中被分类)。
使用多线程分类确保GPU被充分利用,不要等待I/O阻塞CPU线程。
官方网站:http:caffe.berkeleyvision.org/

开源地址:https:github.com/BVLC/caffe

 

网站前端开发_前端开发者web前端

https://www.rokub.com

» 本文来自:前端开发者 » 《Caffe_一个深度学习框架_网站前端开发_前端开发者》
» 本文链接地址:https://www.rokub.com/2410.html
» 您也可以订阅本站:https://www.rokub.com
赞(0)
64K

评论 抢沙发

评论前必须登录!