赛马会金牌12码:Caffe 深度學習框架上手教程

jopen 5年前發布 | 1M 次閱讀 深度學習 機器學習

赛马会一码三中三资料 www.iclqr.icu Caffe是一個清晰而高效的深度學習框架,本文詳細介紹了caffe的優勢、架構,網絡定義、各層定義,Caffe的安裝與配置,解讀了Caffe實現的圖像分類模型AlexNet,并演示了CIFAR-10在caffe上進行訓練與學習。

Caffe是一個清晰而高效的深度學習框架,其作者是博士畢業于UC Berkeley的 賈揚清,目前在Google工作。

Caffe是純粹的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:

Caffe::set_mode(Caffe::GPU);

Caffe的優勢

  1. 上手快:模型與相應優化都是以文本形式而非代碼形式給出。
    Caffe給出了模型的定義、最優化設置以及預訓練的權重,方便立即上手。
  2. 速度快:能夠運行最棒的模型與海量的數據。
    Caffe與cuDNN結合使用,測試AlexNet模型,在K40上處理每張圖片只需要1.17ms.
  3. ??榛悍獎憷┱溝叫碌娜撾窈蛻柚蒙?。
    可以使用Caffe提供的各層類型來定義自己的模型。
  4. 開放性:公開的代碼和參考模型用于再現。
  5. 社區好:可以通過BSD-2參與開發與討論。
  6. </ol>

    Caffe的網絡定義

    Caffe中的網絡都是有向無環圖的集合,可以直接定義: 

    name: "dummy-net"
    layers {<span><span>name: <span>"data" …</span></span></span>}
    layers {<span><span>name: <span>"conv" …</span></span></span>}
    layers {<span><span>name: <span>"pool" …</span></span></span>}
    layers {<span><span>name: <span>"loss" …</span></span></span>}

    數據及其導數以blobs的形式在層間流動。

    Caffe的各層定義

    Caffe層的定義由2部分組成:層屬性與層參數,例如
    name:"conv1"
    type:CONVOLUTION
    bottom:"data"
    top:"conv1"
    convolution_param{
        num_output:<span>20
        kernel_size:5
        stride:1
        weight_filler{
            type: "<span style="color: #c0504d;">xavier</span>"
        }
    }
    這段配置文件的前4行是層屬性,定義了層名稱、層類型以及層連接結構(輸入blob和輸出blob);而后半部分是各種層參數。

    Blob

    Blob是用以存儲數據的4維數組,例如

    • 對于數據:Number*Channel*Height*Width
    • 對于卷積權重:Output*Input*Height*Width
    • 對于卷積偏置:Output*1*1*1
    • </ul>

      訓練網絡


      網絡參數的定義也非常方便,可以隨意設置相應參數。

      甚至調用GPU運算只需要寫一句話:

      solver_mode:GPU
      Caffe 深度學習框架上手教程

      Caffe的安裝與配置

      Caffe需要預先安裝一些依賴項,首先是CUDA驅動。不論是CentOS還是Ubuntu都預裝了開源的nouveau顯卡驅動(SUSE沒有這種問題),如果不禁用,則CUDA驅動不能正確安裝。以Ubuntu為例,介紹一下這里的處理方法,當然也有其他處理方法。

      生成mnist-train-leveldb/ 和 mnist-test-leveldb/,把數據轉化成leveldb格式:

      訓練網絡:

      # sudo vi/etc/modprobe.d/blacklist.conf

      增加一行 :blacklist nouveau

      sudoapt-get --purge remove xserver-xorg-video-nouveau #把官方驅動徹底卸載: sudoapt-get --purge remove nvidia-* #清除之前安裝的任何NVIDIA驅動 sudo service lightdm stop #進命令行,關閉Xserver sudo kill all Xorg</pre>

      安裝了CUDA之后,依次按照Caffe官網安裝指南安裝BLAS、OpenCV、Boost即可。

      </h3>

      Caffe跑跑MNIST試試

      在Caffe安裝目錄之下,首先獲得MNIST數據集:

      cd data/mnist
      sh get_mnist.sh

      生成mnist-train-leveldb/ 和 mnist-test-leveldb/,把數據轉化成leveldb格式:

      cd examples/lenet 
      sh create_mnist.sh

      訓練網絡:

      sh train_lenet.sh
      Caffe 深度學習框架上手教程


      讓Caffe生成的數據集能在Theano上直接運行

      不論使用何種框架進行CNNs訓練,共有3種數據集:

      • Training Set:用于訓練網絡
      • Validation Set:用于訓練時測試網絡準確率
      • Test Set:用于測試網絡訓練完成后的最終正確率
      • </ul>

        Caffe生成的數據分為2種格式:Lmdb和Leveldb

        • 它們都是鍵/值對(Key/Value Pair)嵌入式數據庫管理系統編程庫。
        • 雖然lmdb的內存消耗是leveldb的1.1倍,但是lmdb的速度比leveldb快10%至15%,更重要的是lmdb允許多種訓練模型同時讀取同一組數據集。
        • 因此lmdb取代了leveldb成為Caffe默認的數據集生成格式。
        • </ul>

          Google Protocol Buffer的安裝

          Protocol Buffer是一種類似于XML的用于序列化數據的自動機制。
          首先在Protocol Buffers的中下載最新版本:
          https://developers.google.com/protocol-buffers/docs/downloads
          解壓后運行:

          ./configure
          $ make
          $ make check
          $ make install
          pip installprotobuf

          添加動態鏈接庫

          export LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH

          Lmdb的安裝

          pip install lmdb

          要parse(解析)一個protobuf類型數據,首先要告訴計算機你這個protobuf數據內部是什么格式(有哪些項,這些項各是什 么數據類型的決定了占用多少字節,這些項可否重復,重復幾次),安裝protobuf這個module就可以用protobuf專用的語法來定義這些格式 (這個是.proto文件)了,然后用protoc來編譯這個.proto文件就可以生成你需要的目標文件。
          想要定義自己的.proto文件請閱讀:
          https://developers.google.com/protocol-buffers/docs/proto?hl=zh-cn

          編譯.proto文件

          protoc--proto_path=IMPORT_PATH --cpp_out=DST_DIR --java_out=DST_DIR--python_out=DST_DIR path/to/file.proto
          --proto_path 也可以簡寫成-I 是.proto所在的路徑
          輸出路徑:
          --cpp_out 要生成C++可用的頭文件,分別是***.pb.h(包含申明類)***.pb.cc(包含可執行類),使用的時候只要include “***.pb.h”
          --java_out 生成java可用的頭文件
          --python_out 生成python可用的頭文件,**_pb2.py,使用的時候import**_pb2.py即可
          最后一個參數就是你的.proto文件完整路徑。

          Caffe (CNN, deep learning) 介紹

          Caffe -----------Convolution Architecture For Feature Embedding (Extraction)

          1. Caffe 是什么東東?

            • CNN (Deep Learning) 工具箱
            • C++ 語言架構
            • CPU 和GPU 無縫交換
            • Python 和matlab的封裝
            • 但是,Decaf只是CPU 版本。
            • </ul> </li>

            • 為什么要用Caffe?

              • 運算速度快。簡單 友好的架構 用到的一些庫:
              • Google Logging library (Glog): 一個C++語言的應用級日志記錄框架,提供了C++風格的流操作和各種助手宏.
              • lebeldb(數據存儲): 是一個google實現的非常高效的kv數據庫,單進程操作。
              • CBLAS library(CPU版本的矩陣操作)
              • CUBLAS library (GPU 版本的矩陣操作)
              • </ul> </li>

              • Caffe 架構

                </li> </ol> Caffe 深度學習框架上手教程


                1. 預處理圖像的leveldb構建
                  輸入:一批圖像和label (2和3)
                  輸出:leveldb (4)
                  指令里包含如下信息:

                  • conver_imageset (構建leveldb的可運行程序)
                  • train/ (此目錄放處理的jpg或者其他格式的圖像)
                  • label.txt (圖像文件名及其label信息)
                  • 輸出的leveldb文件夾的名字
                  • CPU/GPU (指定是在cpu上還是在gpu上運行code)
                  • </ul> </li>

                  • CNN網絡配置文件

                    • Imagenet_solver.prototxt (包含全局參數的配置的文件)
                    • Imagenet.prototxt (包含訓練網絡的配置的文件)
                    • Imagenet_val.prototxt (包含測試網絡的配置文件)
                    • </ul> </li> </ol>

                      Caffe深度學習之圖像分類模型AlexNet解讀

                      在imagenet上的圖像分類challenge上Alex提出的alexnet網絡結構模型贏得了2012屆的冠軍。要研究CNN類型DL網絡模型在圖像分類上的應用,就逃不開研究alexnet,這是CNN在圖像分類上的經典模型(DL火起來之后)。

                      在DL開源實現caffe的model樣例中,它也給出了alexnet的復現,具體網絡配置文件如下 train_val.prototxt

                      接下來本文將一步步對該網絡配置結構中各個層進行詳細的解讀(訓練階段):

                      各種layer的operation更多解釋可以參考 Caffe Layer Catalogue

                      從計算該模型的數據流過程中,該模型參數大概5kw+。

                      1. conv1階段DFD(data flow diagram): Caffe 深度學習框架上手教程

                        </li>

                      2. conv2階段DFD(data flow diagram): Caffe 深度學習框架上手教程

                        </li>

                      3. conv3階段DFD(data flow diagram):


                        Caffe 深度學習框架上手教程

                        </li>

                      4. conv4階段DFD(data flow diagram):
                        Caffe 深度學習框架上手教程    

                        </li>

                      5. conv5階段DFD(data flow diagram):
                        Caffe 深度學習框架上手教程

                        </li>

                      6. fc6階段DFD(data flow diagram):
                        Caffe 深度學習框架上手教程

                        </li>

                      7. fc7階段DFD(data flow diagram):
                                     Caffe 深度學習框架上手教程

                        </li>

                      8. fc8階段DFD(data flow diagram):
                        Caffe 深度學習框架上手教程             

                        </li> </ol> caffe的輸出中也有包含這塊的內容日志,詳情如下:

                        I0721 10:38:15.326920  4692 net.cpp:125] Top shape: 256 3 227 227 (39574272)
                        I0721 10:38:15.326971  4692 net.cpp:125] Top shape: 256 1 1 1 (256)
                        I0721 10:38:15.326982  4692 net.cpp:156] data does not need backward computation.
                        I0721 10:38:15.327003  4692 net.cpp:74] Creating Layer conv1
                        I0721 10:38:15.327011  4692 net.cpp:84] conv1 <- data
                        I0721 10:38:15.327033  4692 net.cpp:110] conv1 -> conv1
                        I0721 10:38:16.721956  4692 net.cpp:125] Top shape: 256 96 55 55 (74342400)
                        I0721 10:38:16.722030  4692 net.cpp:151] conv1 needs backward computation.
                        I0721 10:38:16.722059  4692 net.cpp:74] Creating Layer relu1
                        I0721 10:38:16.722070  4692 net.cpp:84] relu1 <- conv1
                        I0721 10:38:16.722082  4692 net.cpp:98] relu1 -> conv1 (in-place)
                        I0721 10:38:16.722096  4692 net.cpp:125] Top shape: 256 96 55 55 (74342400)
                        I0721 10:38:16.722105  4692 net.cpp:151] relu1 needs backward computation.
                        I0721 10:38:16.722116  4692 net.cpp:74] Creating Layer pool1
                        I0721 10:38:16.722125  4692 net.cpp:84] pool1 <- conv1
                        I0721 10:38:16.722133  4692 net.cpp:110] pool1 -> pool1
                        I0721 10:38:16.722167  4692 net.cpp:125] Top shape: 256 96 27 27 (17915904)
                        I0721 10:38:16.722187  4692 net.cpp:151] pool1 needs backward computation.
                        I0721 10:38:16.722205  4692 net.cpp:74] Creating Layer norm1
                        I0721 10:38:16.722221  4692 net.cpp:84] norm1 <- pool1
                        I0721 10:38:16.722234  4692 net.cpp:110] norm1 -> norm1
                        I0721 10:38:16.722251  4692 net.cpp:125] Top shape: 256 96 27 27 (17915904)
                        I0721 10:38:16.722260  4692 net.cpp:151] norm1 needs backward computation.
                        I0721 10:38:16.722272  4692 net.cpp:74] Creating Layer conv2
                        I0721 10:38:16.722280  4692 net.cpp:84] conv2 <- norm1
                        I0721 10:38:16.722290  4692 net.cpp:110] conv2 -> conv2
                        I0721 10:38:16.725225  4692 net.cpp:125] Top shape: 256 256 27 27 (47775744)
                        I0721 10:38:16.725242  4692 net.cpp:151] conv2 needs backward computation.
                        I0721 10:38:16.725253  4692 net.cpp:74] Creating Layer relu2
                        I0721 10:38:16.725261  4692 net.cpp:84] relu2 <- conv2
                        I0721 10:38:16.725270  4692 net.cpp:98] relu2 -> conv2 (in-place)
                        I0721 10:38:16.725280  4692 net.cpp:125] Top shape: 256 256 27 27 (47775744)
                        I0721 10:38:16.725288  4692 net.cpp:151] relu2 needs backward computation.
                        I0721 10:38:16.725298  4692 net.cpp:74] Creating Layer pool2
                        I0721 10:38:16.725307  4692 net.cpp:84] pool2 <- conv2
                        I0721 10:38:16.725317  4692 net.cpp:110] pool2 -> pool2
                        I0721 10:38:16.725329  4692 net.cpp:125] Top shape: 256 256 13 13 (11075584)
                        I0721 10:38:16.725338  4692 net.cpp:151] pool2 needs backward computation.
                        I0721 10:38:16.725358  4692 net.cpp:74] Creating Layer norm2
                        I0721 10:38:16.725368  4692 net.cpp:84] norm2 <- pool2
                        I0721 10:38:16.725378  4692 net.cpp:110] norm2 -> norm2
                        I0721 10:38:16.725389  4692 net.cpp:125] Top shape: 256 256 13 13 (11075584)
                        I0721 10:38:16.725399  4692 net.cpp:151] norm2 needs backward computation.
                        I0721 10:38:16.725409  4692 net.cpp:74] Creating Layer conv3
                        I0721 10:38:16.725419  4692 net.cpp:84] conv3 <- norm2
                        I0721 10:38:16.725427  4692 net.cpp:110] conv3 -> conv3
                        I0721 10:38:16.735193  4692 net.cpp:125] Top shape: 256 384 13 13 (16613376)
                        I0721 10:38:16.735213  4692 net.cpp:151] conv3 needs backward computation.
                        I0721 10:38:16.735224  4692 net.cpp:74] Creating Layer relu3
                        I0721 10:38:16.735234  4692 net.cpp:84] relu3 <- conv3
                        I0721 10:38:16.735242  4692 net.cpp:98] relu3 -> conv3 (in-place)
                        I0721 10:38:16.735250  4692 net.cpp:125] Top shape: 256 384 13 13 (16613376)
                        I0721 10:38:16.735258  4692 net.cpp:151] relu3 needs backward computation.
                        I0721 10:38:16.735302  4692 net.cpp:74] Creating Layer conv4
                        I0721 10:38:16.735312  4692 net.cpp:84] conv4 <- conv3
                        I0721 10:38:16.735321  4692 net.cpp:110] conv4 -> conv4
                        I0721 10:38:16.743952  4692 net.cpp:125] Top shape: 256 384 13 13 (16613376)
                        I0721 10:38:16.743988  4692 net.cpp:151] conv4 needs backward computation.
                        I0721 10:38:16.744000  4692 net.cpp:74] Creating Layer relu4
                        I0721 10:38:16.744010  4692 net.cpp:84] relu4 <- conv4
                        I0721 10:38:16.744020  4692 net.cpp:98] relu4 -> conv4 (in-place)
                        I0721 10:38:16.744030  4692 net.cpp:125] Top shape: 256 384 13 13 (16613376)
                        I0721 10:38:16.744038  4692 net.cpp:151] relu4 needs backward computation.
                        I0721 10:38:16.744050  4692 net.cpp:74] Creating Layer conv5
                        I0721 10:38:16.744057  4692 net.cpp:84] conv5 <- conv4
                        I0721 10:38:16.744067  4692 net.cpp:110] conv5 -> conv5
                        I0721 10:38:16.748935  4692 net.cpp:125] Top shape: 256 256 13 13 (11075584)
                        I0721 10:38:16.748955  4692 net.cpp:151] conv5 needs backward computation.
                        I0721 10:38:16.748965  4692 net.cpp:74] Creating Layer relu5
                        I0721 10:38:16.748975  4692 net.cpp:84] relu5 <- conv5
                        I0721 10:38:16.748983  4692 net.cpp:98] relu5 -> conv5 (in-place)
                        I0721 10:38:16.748998  4692 net.cpp:125] Top shape: 256 256 13 13 (11075584)
                        I0721 10:38:16.749011  4692 net.cpp:151] relu5 needs backward computation.
                        I0721 10:38:16.749022  4692 net.cpp:74] Creating Layer pool5
                        I0721 10:38:16.749030  4692 net.cpp:84] pool5 <- conv5
                        I0721 10:38:16.749039  4692 net.cpp:110] pool5 -> pool5
                        I0721 10:38:16.749050  4692 net.cpp:125] Top shape: 256 256 6 6 (2359296)
                        I0721 10:38:16.749058  4692 net.cpp:151] pool5 needs backward computation.
                        I0721 10:38:16.749074  4692 net.cpp:74] Creating Layer fc6
                        I0721 10:38:16.749083  4692 net.cpp:84] fc6 <- pool5
                        I0721 10:38:16.749091  4692 net.cpp:110] fc6 -> fc6
                        I0721 10:38:17.160079  4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)
                        I0721 10:38:17.160148  4692 net.cpp:151] fc6 needs backward computation.
                        I0721 10:38:17.160166  4692 net.cpp:74] Creating Layer relu6
                        I0721 10:38:17.160177  4692 net.cpp:84] relu6 <- fc6
                        I0721 10:38:17.160190  4692 net.cpp:98] relu6 -> fc6 (in-place)
                        I0721 10:38:17.160202  4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)
                        I0721 10:38:17.160212  4692 net.cpp:151] relu6 needs backward computation.
                        I0721 10:38:17.160222  4692 net.cpp:74] Creating Layer drop6
                        I0721 10:38:17.160230  4692 net.cpp:84] drop6 <- fc6
                        I0721 10:38:17.160238  4692 net.cpp:98] drop6 -> fc6 (in-place)
                        I0721 10:38:17.160258  4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)
                        I0721 10:38:17.160265  4692 net.cpp:151] drop6 needs backward computation.
                        I0721 10:38:17.160277  4692 net.cpp:74] Creating Layer fc7
                        I0721 10:38:17.160286  4692 net.cpp:84] fc7 <- fc6
                        I0721 10:38:17.160295  4692 net.cpp:110] fc7 -> fc7
                        I0721 10:38:17.342094  4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)
                        I0721 10:38:17.342157  4692 net.cpp:151] fc7 needs backward computation.
                        I0721 10:38:17.342175  4692 net.cpp:74] Creating Layer relu7
                        I0721 10:38:17.342185  4692 net.cpp:84] relu7 <- fc7
                        I0721 10:38:17.342198  4692 net.cpp:98] relu7 -> fc7 (in-place)
                        I0721 10:38:17.342208  4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)
                        I0721 10:38:17.342217  4692 net.cpp:151] relu7 needs backward computation.
                        I0721 10:38:17.342228  4692 net.cpp:74] Creating Layer drop7
                        I0721 10:38:17.342236  4692 net.cpp:84] drop7 <- fc7
                        I0721 10:38:17.342245  4692 net.cpp:98] drop7 -> fc7 (in-place)
                        I0721 10:38:17.342254  4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)
                        I0721 10:38:17.342262  4692 net.cpp:151] drop7 needs backward computation.
                        I0721 10:38:17.342274  4692 net.cpp:74] Creating Layer fc8
                        I0721 10:38:17.342283  4692 net.cpp:84] fc8 <- fc7
                        I0721 10:38:17.342291  4692 net.cpp:110] fc8 -> fc8
                        I0721 10:38:17.343199  4692 net.cpp:125] Top shape: 256 22 1 1 (5632)
                        I0721 10:38:17.343214  4692 net.cpp:151] fc8 needs backward computation.
                        I0721 10:38:17.343231  4692 net.cpp:74] Creating Layer loss
                        I0721 10:38:17.343240  4692 net.cpp:84] loss <- fc8
                        I0721 10:38:17.343250  4692 net.cpp:84] loss <- label
                        I0721 10:38:17.343264  4692 net.cpp:151] loss needs backward computation.
                        I0721 10:38:17.343305  4692 net.cpp:173] Collecting Learning Rate and Weight Decay.
                        I0721 10:38:17.343327  4692 net.cpp:166] Network initialization done.
                        I0721 10:38:17.343335  4692 net.cpp:167] Memory required for Data 1073760256

                        CIFAR-10在caffe上進行訓練與學習


                        使用數據庫:CIFAR-10

                        60000張 32X32 彩色圖像 10類,50000張訓練,10000張測試

                        Caffe 深度學習框架上手教程


                        準備

                        在終端運行以下指令:

                        cd $CAFFE_ROOT/data/cifar10
                        ./get_cifar10.sh
                        cd $CAFFE_ROOT/examples/cifar10
                        ./create_cifar10.sh

                        其中CAFFE_ROOT是caffe-master在你機子的地址

                        運行之后,將會在examples中出現數據庫文件./cifar10-leveldb和數據庫圖像均值二進制文件./mean.binaryproto

                        Caffe 深度學習框架上手教程


                        模型

                        該CNN由卷積層,POOLing層,非線性變換層,在頂端的局部對比歸一化線性分類器組成。該模型的定義在CAFFE_ROOT/examples/cifar10 directory’s cifar10_quick_train.prototxt中,可以進行修改。其實后綴為prototxt很多都是用來修改配置的。

                        Caffe 深度學習框架上手教程

                        訓練和測試

                        訓練這個模型非常簡單,當我們寫好參數設置的文件cifar10_quick_solver.prototxt和定義的文 件cifar10_quick_train.prototxt和cifar10_quick_test.prototxt后,運行 train_quick.sh或者在終端輸入下面的命令:

                        cd $CAFFE_ROOT/examples/cifar10
                        ./train_quick.sh

                        即可,train_quick.sh是一個簡單的腳本,會把執行的信息顯示出來,培訓的工具是train_net.bin,cifar10_quick_solver.prototxt作為參數。

                        然后出現類似以下的信息:這是搭建模型的相關信息

                        I0317 21:52:48.945710 2008298256 net.cpp:74] Creating Layer conv1
                        I0317 21:52:48.945716 2008298256 net.cpp:84] conv1 <- data
                        I0317 21:52:48.945725 2008298256 net.cpp:110] conv1 -> conv1
                        I0317 21:52:49.298691 2008298256 net.cpp:125] Top shape: 100 32 32 32 (3276800)
                        I0317 21:52:49.298719 2008298256 net.cpp:151] conv1 needs backward computation.

                        接著:

                        0317 21:52:49.309370 2008298256 net.cpp:166] Network initialization done.
                        I0317 21:52:49.309376 2008298256 net.cpp:167] Memory required for Data 23790808
                        I0317 21:52:49.309422 2008298256 solver.cpp:36] Solver scaffolding done.
                        I0317 21:52:49.309447 2008298256 solver.cpp:47] Solving CIFAR10_quick_train

                        之后,訓練開始

                        I0317 21:53:12.179772 2008298256 solver.cpp:208] Iteration 100, lr = 0.001
                        I0317 21:53:12.185698 2008298256 solver.cpp:65] Iteration 100, loss = 1.73643
                        ...
                        I0317 21:54:41.150030 2008298256 solver.cpp:87] Iteration 500, Testing net
                        I0317 21:54:47.129461 2008298256 solver.cpp:114] Test score #0: 0.5504
                        I0317 21:54:47.129500 2008298256 solver.cpp:114] Test score #1: 1.27805

                        其中每100次迭代次數顯示一次訓練時lr(learningrate),和loss(訓練損失函數),每500次測試一次,輸出score 0(準確率)和score 1(測試損失函數)

                        當5000次迭代之后,正確率約為75%,模型的參數存儲在二進制protobuf格式在cifar10_quick_iter_5000

                        然后,這個模型就可以用來運行在新數據上了。

                        其他

                        另外,更改cifar*solver.prototxt文件可以使用CPU訓練,

                        # solver mode: CPU or GPU
                        solver_mode: CPU

                        可以看看CPU和GPU訓練的差別。

                        主要資料來源:caffe官網教程

                        原文鏈接: Caffe 深度學習框架上手教程 

 本文由用戶 jopen 自行上傳分享,僅供網友學習交流。所有權歸原作者,若您的權利被侵害,請聯系管理員。
 轉載本站原創文章,請注明出處,并保留原始鏈接、圖片水印。
 本站是一個以用戶分享為主的開源技術平臺,歡迎各類分享!