CAFFE 學習 1 基本的CAFFE結構

2021-07-30 06:32:06 字數 1969 閱讀 4022

主要參考：

甘宇飛 -

樓燚(yì)航的blog

caffe主要有四個類：blob，layer，net，solver，分為三個層次：

caffe支援cuda加速，在資料級別上也做了一些優化。blob為protocol buffer所定義的資料結構的繼承，caffe在盡可能小的記憶體占用下獲得很高的效率。

layer中的blob用下面的形式表示學習到的引數：

vector


> > blobs_;
這裡使用blob指標向量容器，是因為某些layer包含多種學習引數，比如多個卷積核的卷積層。

而layer所傳遞的資料形式，後面也會涉及：

vector


*> ⊥


vector


*> *top
caffe十分強調網路的層次性，也就是說卷積操作，非線性變換（relu等），pooling，權值連線等全部都由某一種layer來表示。

layer有5大派生型別：

在layer內部，資料主要有兩種傳遞方式，正向傳導和反向傳導，均有cpu和gpu的兩種實現。caffe中所有的layer都要用這兩種方法傳遞資料

virtual


void forward(const


vector


*> &bottom, 


vector


*> *top) = 0;


virtual


void backward(const


vector


*> &top,


const


vector


&propagate_down, 


vector


*> *bottom) = 0;
在網路結構定義檔案（*.proto）中每一層的引數bottom和top數目就決定了vector中元素數目

vector


loss_;
每一層又有乙個loss_值，只有loss_layer才可能產生非0的loss_。

vector


> > blobs_;
layer學習到的引數

net用容器的形式將多個layer有序地放在一起，其自身實現的功能主要是對逐層layer進行初始化，以及提供update( )的介面（更新網路引數），本身不能對引數進行有效地學習過程。

vector


> > layers_;
同樣net也有它自己的

vector


*>& forward(const


vector


* > & bottom, dtype* loss = null);


void net::backward();
他們是對整個網路的前向和方向傳導，各呼叫一次就可以計算出網路的loss了。

這個類中包含乙個net的指標，主要是實現了訓練模型引數所採用的優化演算法，它所派生的類就可以對整個網路進行訓練了。

shared_ptrtype> > net_;
不同的模型訓練方法通過過載函式computeupdatevalue( )實現計算update引數的核心功能

virtual


void computeupdatevalue() = 0;
最後當進行整個網路訓練過程（也就是你執行caffe訓練某個模型）的時候，實際上是在執行caffe.cpp中的train( )函式，而這個函式實際上是例項化乙個solver物件，初始化後呼叫了solver中的solve( )方法。而這個solve( )函式主要就是在迭代執行下面這兩個函式，就是剛才介紹的哪幾個函式。

computeupdatevalue();


net_->update();

Caffe學習之一 Caffe的基本結構

caffe官網教程 org tutorial caffe把模型定義成乙個layer by layer的網路，通過bottom to top連線input data到loss，資料在網路中傳遞時通過前向和反向傳播進行更新。1，blobs,layers,and nets blob是caffe處理和傳遞的...

caffe學習筆記（1）

caffe學習筆記 1 剛開始學習caffe，發現乙個非常好的部落格caffe學習。看了幾遍收益匪淺，但是總是記不住，所以決定安裝該部落格的步驟一點一點實現，然後記錄在該系列的部落格中。原部落格是在ubuntu下實現，而我是在mac下實現的，而且只是cpu模式的caffe，所以有些地方可能會有點詫異...

DL學習筆記 1 執行CAFFE程式

按照大神的 中的教程安裝就好啦 然後我這裡簡要寫一點點自己安裝過程中的問題和簡要的安裝過程 1 安裝vs2012 2 安裝cuda6.5 3 按照教程配置各種變數等 其中系統目錄是指環境變數 系統變數 path 然後成功安裝之後就是閃退啦，用命令列執行會出現這幾條語句 如果不需要編譯 就是根據c 程...