### Caffe

#@author:       gr

#@date:         2015-08-30

#@email:        [email protected]

1. Install

详细可以见官方文档，博客1，博客2。

1.1 Prerequisites

CUDA is required for GPU mode.

library version 7.0 and the latest driver version are recommended, but 6.* is fine too

5.5, and 5.0 are compatible but considered legacy
BLAS via ATLAS, MKL, or OpenBLAS.
Boost >= 1.55
OpenCV >= 2.4 including 3.0
protobuf, glog, gflags
IO libraries hdf5, leveldb, snappy, lmdb

Caffe requires BLAS as the backend of its matrix and vector computations. There are several implementations of this library. The choice is yours:

ATLAS: free, open source, and so the default for Caffe.
Intel MKL: commercial and optimized for Intel CPUs, with a free trial and student licenses.

Install MKL.

Set BLAS := mkl in Makefile.config
OpenBLAS: free and open source; this optimized and parallel BLAS could require more effort to install, although it might offer a speedup.

Install OpenBLAS

Set BLAS := open in Makefile.config

我们这里使用atlas。

1.2 Compilation

拷贝配置文件

 cp Makefile.config.example Makefile.config

在Makefile.config文件中第73行LIBRARY_DIRS加上atlas库所在的位置，我的在/usr/lib64/atlas/，修改后：
```
 LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib64/atlas/
```
Makefile文件中在236行将boost_thread修改为boost_thread-mt，修改后：
```
 LIBRARIES += boost_thread-mt stdc++
```

编译

 make all -j 20            #多核编译，根据机子情况选定

编译matlab
修改Makefile.config，MATLAB_DIR中加入matlab在机器中的位置：
```
 MATLAB_DIR := /usr/local/MATLAB/MATLAB_Production_Server/R2013a
```
编译：
```
 make matcaffe -j 20
```

编译python

修改Makefile.config，将PYTHON_INCLUDE, PYTHON_LIB修改为你机子正确的配置。

 PYTHON_INCLUDE := /usr/local/include/python2.7 \

 /usr/lib/python2.7/site-packages/numpy/core/include/numpy/

 PYTHON_LIB := /usr/local/lib

编译：

 make pycaffe -j 20

注意：如果遇到如下问题，

 /usr/bin/ld: /usr/local/lib/libpython2.7.a(abstract.o): relocation R_X86_64_32 against `a local symbol' can not be used when making a shared object; recompile with -fPIC

 /usr/local/lib/libpython2.7.a: could not read symbols: Bad value

 collect2: ld returned 1 exit status

可以下载python，加上--enable-shared和-fPIC选项重新编译安装，命令如下：

 ./configure --prefix=/usr/local/  --enable-shared CFLAGS=-fPIC

 make

 make install

2. Usage

2.1 caffe中的例子

可以参见博客。

2.1.1 mnist

mnist的网络框架在文件examples/mnist/lenet.prototxt中。分别运行如下命令，即可实现mnist：

sh data/mnist/get_mnist.sh

sh examples/mnist/create_mnist.sh

sh examples/mnist/train_lenet.sh

最后运行的结果，可以看到accuracy = 0.9907：

I0830 21:56:59.506049 12371 solver.cpp:326] Iteration 10000, loss = 0.00290909

I0830 21:56:59.506080 12371 solver.cpp:346] Iteration 10000, Testing net (#0)

I0830 21:57:00.983238 12371 solver.cpp:414]     Test net output #0: accuracy = 0.9907

I0830 21:57:00.983290 12371 solver.cpp:414]     Test net output #1: loss = 0.0304467 (* 1 = 0.0304467 loss)

I0830 21:57:00.983304 12371 solver.cpp:331] Optimization Done.

I0830 21:57:00.983314 12371 caffe.cpp:214] Optimization Done.

2.1.2 cifair

sh data/cifar10/get_cifar10.sh

sh examples/cifar10/create_cifar10.sh

sh examples/cifar10/train_quick.sh

2.2 caffe 框架学习

2.2.1 框架

caffe的框架如下：

### Caffe-LMLPHP

预处理图像的leveldb构建

输入：一批图像和label （2和3）

输出：leveldb （4）

指令里包含如下信息：

conver_imageset （构建leveldb的可运行程序）

train/ （此目录放处理的jpg或者其他格式的图像)

label.txt (图像文件名及其label信息)

输出的leveldb文件夹的名字

CPU/GPU (指定是在cpu上还是在gpu上运行code)
CNN网络配置文件

Imagenet_solver.prototxt （包含全局参数的配置的文件）

Imagenet.prototxt （包含训练网络的配置的文件）

Imagenet_val.prototxt （包含测试网络的配置文件）

2.2.2 Caffe层次

**Blob: **基础的数据结构，是用来保存学习到的参数以及网络传输过程中产生数据的类。

**Layer: **是网络的基本单元，由此派生出了各种层类。修改这部分的人主要是研究特征表达方向的。

**Net: **是网络的搭建，将Layer所派生出层类组合成网络。

**Solver: **是Net的求解，修改这部分人主要会是研究DL求解方向的。

2.3 RCNN

Training your own R-CNN detector on PASCAL VOC

!!! tvmonitor : 0.6483 0.6614

~~~~~~~~~~~~~~~~~~~~

Results:

    0.6428

    0.6963

    0.5016

    0.4191

    0.3191

    0.6251

    0.7087

    0.6036

    0.3266

    0.5852

    0.4627

    0.5616

    0.6037

    0.6684

    0.5414

    0.3157

    0.5285

    0.4889

    0.5772

    0.6483

    0.5412

~~~~~~~~~~~~~~~~~~~~

test_results =

1x20 struct array with fields:

    recall

    prec

    ap

    ap_auc

Reference

1. http://caffe.berkeleyvision.org/installation.html

2. http://www.rthpc.com/plus/view.php?aid=351

3. http://www.cnblogs.com/platero/p/3993877.html

4. http://www.csdn.net/article/2015-01-22/2823663

MKL