Caffe初试命令行解析

Posted 2020-08-26 阿玛尼迪迪

 

caffe的运行提供三种接口：C++接口（命令行）、Python接口和matlab接口。本文先对命令行进行解析，后续会依次介绍其它两种接口。

caffe的C++主程序（caffe.cpp）放在根目录下的tools文件夹内，当然还有一些其它的功能文件，如：convert_imageset.cpp，train_net.cpp，test_net.cpp等也放在这个文件夹内。经过编译后，这些文件都被编译成了可执行文件，放在了./build/tools/文件夹内。因此我们要执行caffe程序，都需要加./build/tools/前缀。

如：

./build/tools/caffe train --solver=examples/mnist/train_lenet.sh

caffe程序的命令行执行格式如下：

caffe <command> <args> 

其中<command>有这样四种：

• train
• test
• device_query
• time

对应的功能为：

train----训练或finetune模型（model）

test----测试模型

device_query----显示gpu信息

time----显示程序执行时间

其中的<args>参数有：

• -solver
• -gpu
• -snapshot
• -weights
• -iteration
• -model
• -sighup_effect
• -sigint_effect

注意前面有个-符号。对应的功能为：

-solver：必选参数。一个protocol buffer类型的文件，即模型的配置文件。如：

./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt

-gpu：可选参数。该参数用来指定用哪一块gpu运行，根据gpu的id进行选择，如果设置为‘-gpu all’则使用所有的gpu运行。如使用第二块gpu运行：

./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -gpu 2

-snapshot：可选参数。该参数用来从快照（snapshot）中恢复训练。可以在solver配置文件设置快照，保存solverstate。如：

./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -snapshot examples/mnist/lenet_iter_5000.solverstate

-weights：可选参数。用预先训练好的权重来fine-tuning模型，需要一个caffemodel，不能和-snapshot同时使用。如：

./build/tools/caffe train -solver examples/finetuning_on_flickr_style/solver.prototxt -weights models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel

 

-iterations: 可选参数，迭代次数，默认为50。 如果在配置文件文件中没有设定迭代次数，则默认迭代50次。

-model:可选参数，定义在protocol buffer文件中的模型。也可以在solver配置文件中指定。

-sighup_effect：可选参数。用来设定当程序发生挂起事件时，执行的操作，可以设置为snapshot, stop或none, 默认为snapshot

-sigint_effect: 可选参数。用来设定当程序发生键盘中止事件时（ctrl+c), 执行的操作，可以设置为snapshot, stop或none, 默认为stop

 

刚才举例了一些train参数的例子，现在我们来看看其它三个<command>：

test：用在测试阶段，用于最终结果的输出，在模型配置文件中我们可以设定需要输入accuracy还是loss，假设我们要在验证集中验证我们已经训练好的模型，就可以这样写

./build/tools/caffe test -model examples/mnist/lenet_train_test.prototxt -weights examples/mnist/lenet_iter_10000.caffemodel -gpu 0 -iterations 100 

这个例子比较长，不仅用到了test参数，还用到了-model, -weights, -gpu和-iteration四个参数。意思是利用训练好了的权重（-weight)，输入到测试模型中(-model)，用编号为0的gpu(-gpu)测试100次(-iteration)。

 

time：用来在屏幕显示程序运行时间。如：

./build/tools/caffe time -model examples/mnist/lenet_train_test.prototxt -iterations 10 

这个例子用来在屏幕上显示lenet模型迭代10次所使用的时间。包括每次迭代的forward和backward所用的时间，也包括每层forward和backward所用的平均时间。

./build/tools/caffe time -model examples/mnist/lenet_train_test.prototxt -gpu 0  

这个例子用来在屏幕上显示lenet模型用gpu迭代50次所使用的时间。

./build/tools/caffe time -model examples/mnist/lenet_train_test.prototxt -weights examples/mnist/lenet_iter_10000.caffemodel -gpu 0 -iterations 10

利用给定的权重，利用第一块gpu，迭代10次lenet模型所用的时间。

 

device_query：用来诊断gpu信息。

./build/tools/caffe device_query -gpu 0 

 

最后，我们来看两个关于gpu的例子

./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -gpu 0,1  
./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -gpu all  

这两个例子表示：用两块或多块GPU来平行运算，这样速度会快很多。但是如果你只有一块或没有gpu，就不要加-gpu参数了，加了反而慢。