caffe Tutoriel
Commencer avec caffe

Remarques

Versions

Installation et configuration

Ubuntu

Vous trouverez ci-dessous des instructions détaillées pour installer Caffe, pycaffe ainsi que ses dépendances, sur Ubuntu 14.04 x64 ou 14.10 x64.

Exécutez le script suivant, par exemple "bash compile_caffe_ubuntu_14.sh" (~ 30 à 60 minutes sur un nouvel Ubuntu).

# This script installs Caffe and pycaffe. 
# CPU only, multi-threaded Caffe.

# Usage: 
# 0. Set up here how many cores you want to use during the installation:
# By default Caffe will use all these cores.
NUMBER_OF_CORES=4

sudo apt-get install -y libprotobuf-dev libleveldb-dev libsnappy-dev 
sudo apt-get install -y libopencv-dev libhdf5-serial-dev
sudo apt-get install -y --no-install-recommends libboost-all-dev
sudo apt-get install -y libatlas-base-dev 
sudo apt-get install -y python-dev 
sudo apt-get install -y python-pip git

# For Ubuntu 14.04
sudo apt-get install -y libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compiler 

# Install LMDB
git clone https://github.com/LMDB/lmdb.git 
cd lmdb/libraries/liblmdb
sudo make 
sudo make install

# More pre-requisites 
sudo apt-get install -y cmake unzip doxygen
sudo apt-get install -y protobuf-compiler
sudo apt-get install -y libffi-dev python-pip python-dev build-essential
sudo pip install lmdb
sudo pip install numpy
sudo apt-get install -y python-numpy
sudo apt-get install -y gfortran # required by scipy
sudo pip install scipy # required by scikit-image
sudo apt-get install -y python-scipy # in case pip failed
sudo apt-get install -y python-nose
sudo pip install scikit-image # to fix https://github.com/BVLC/caffe/issues/50


# Get caffe (http://caffe.berkeleyvision.org/installation.html#compilation)
cd
mkdir caffe
cd caffe
wget https://github.com/BVLC/caffe/archive/master.zip
unzip -o master.zip
cd caffe-master

# Prepare Python binding (pycaffe)
cd python
for req in $(cat requirements.txt); do sudo pip install $req; done

# to be able to call "import caffe" from Python after reboot:
echo "export PYTHONPATH=$(pwd):$PYTHONPATH " >> ~/.bash_profile 
source ~/.bash_profile # Update shell 
cd ..

# Compile caffe and pycaffe
cp Makefile.config.example Makefile.config
sed -i '8s/.*/CPU_ONLY := 1/' Makefile.config # Line 8: CPU only
sudo apt-get install -y libopenblas-dev
sed -i '33s/.*/BLAS := open/' Makefile.config # Line 33: to use OpenBLAS
# Note that if one day the Makefile.config changes and these line numbers may change
echo "export OPENBLAS_NUM_THREADS=($NUMBER_OF_CORES)" >> ~/.bash_profile 
mkdir build
cd build
cmake ..
cd ..
make all -j$NUMBER_OF_CORES # 4 is the number of parallel threads for compilation: typically equal to number of physical cores
make pycaffe -j$NUMBER_OF_CORES
make test
make runtest
#make matcaffe
make distribute

# Afew few more dependencies for pycaffe
sudo pip install pydot
sudo apt-get install -y graphviz
sudo pip install scikit-learn

A la fin, vous devez lancer "source ~ / .bash_profile" manuellement ou démarrer un nouveau shell pour pouvoir faire "python import caffe".

Activer le multithreading avec Caffe

Caffe peut fonctionner sur plusieurs cœurs. L'une des méthodes consiste à permettre au multithreading d'utiliser Caffe pour utiliser OpenBLAS au lieu de l'ATLAS par défaut. Pour ce faire, vous pouvez suivre ces trois étapes:

1. sudo apt-get install -y libopenblas-dev
2. Avant de compiler Caffe, éditez Makefile.config , remplacez BLAS := atlas par BLAS := open
3. Après la compilation de Caffe, l'exécution de l' export OPENBLAS_NUM_THREADS=4 entraînera l'utilisation de 4 cœurs par Caffe.

Perte de régularisation (perte de poids) chez Caffe

Dans le fichier du solveur , nous pouvons définir une perte de régularisation globale à l'aide des options weight_decay et regularization_type .

Dans de nombreux cas, nous souhaitons des taux de décroissance du poids différents pour différentes couches. Cela peut être fait en réglant la decay_mult option pour chaque couche dans le fichier de définition du réseau, où decay_mult est le multiplicateur sur le taux de décroissance globale de poids, de sorte que le taux de décroissance du poids réel appliqué pour une couche est decay_mult*weight_decay .

Par exemple, ce qui suit définit une couche de convolution sans perte de poids, quelles que soient les options du fichier de résolution.

layer {
  name: "Convolution1"
  type: "Convolution"
  bottom: "data"
  top: "Convolution1"
  param {
    decay_mult: 0
  }
  convolution_param {
    num_output: 32
    pad: 0
    kernel_size: 3
    stride: 1
    weight_filler {
      type: "xavier"
    }
  }
}

Voir ce fil pour plus d'informations.