caffe Samouczek
Pierwsze kroki z caffe

Uwagi

Wersje

Instalacja i konfiguracja

Ubuntu

Poniżej znajdują się szczegółowe instrukcje instalacji Caffe, pycaffe oraz jego zależności na Ubuntu 14.04 x64 lub 14.10 x64.

Wykonaj następujący skrypt, np. „Bash compile_caffe_ubuntu_14.sh” (~ 30 do 60 minut na nowym 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

Na koniec musisz ręcznie uruchomić „source ~ / .bash_profile” ręcznie lub uruchomić nową powłokę, aby móc wykonać „caffe import python”.

Włącz wielowątkowość w Caffe

Caffe może działać na wielu rdzeniach. Jednym ze sposobów jest włączenie wielowątkowości w Caffe, aby używać OpenBLAS zamiast domyślnego ATLAS. Aby to zrobić, możesz wykonać następujące trzy kroki:

1. sudo apt-get install -y libopenblas-dev
2. Przed skompilowaniem Caffe edytuj Makefile.config , zamień BLAS := atlas na BLAS := open
3. Po skompilowaniu Caffe uruchomienie export OPENBLAS_NUM_THREADS=4 spowoduje, że Caffe będzie używać 4 rdzeni.

Utrata regularyzacji (spadek masy ciała) w Caffe

W pliku solvera możemy ustawić globalną stratę regularyzacji za pomocą opcji weight_decay i regularization_type .

W wielu przypadkach chcemy różnych szybkości zaniku masy dla różnych warstw. Można to zrobić, ustawiając opcję decay_mult dla każdej warstwy w pliku definicji sieci, gdzie decay_mult to mnożnik globalnej szybkości zaniku masy, więc rzeczywista szybkość zaniku masy zastosowana dla jednej warstwy to decay_mult*weight_decay .

Na przykład poniżej zdefiniowano warstwę splotową bez zaniku masy bez względu na opcje w pliku solvera.

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"
    }
  }
}

Zobacz ten wątek, aby uzyskać więcej informacji.