深度学习框架Caffe简介（1）

来源于油管上的讲解视频

由伯克利大学开发，代码是用C++编写的，但是提供了python和matlab的接口，可以用这两个编程语言实现；在训练和微调前馈模型时效果很好。

bolb：将data和label封装在blob里面；
layer：对应网上的层，比如hidden layer\inputlayer等；
Net：整个网络构成；
Solver：进行梯度更新的。

不用写一个代码就可以训练网络！！
但是，需要做的事情是：
1、转换数据（对输入数据做一系列预处理，转换成我们需要的格式，Caffe支持多种数据格式，比如：lmdb；
2、定义网络（编写一个prototxt文件，配置所需要的文件）；
3、配置一些训练的参数，比如学习率、输出数据如何保存、GPU如何训练等；
4、直接训练就行。

比如，我们要做一个分类任务，那么我们需要把数据转换成一个LMDB（类似于一个数据库，训练时速度快）格式，因为一般来说，训练网络是在GPU上进行的，运行速度很快，但是数据传输到内存上进行预处理等操作是在CPU上进行的，可能出现的结果是后面网络的前向传播和后向传播已经进行完了，由于CPU处理速度太慢，无法再进行下一步迭代，所以把数据转换成LMDB格式是有必要的。
格式大致为：前面是路径名，后面是lable值，可能是0、1（只能用数字来表示car等实际意义的词）；
还有另外一种格式：HDF5
一方面可以做多分类任务，不仅仅是0、1、2、3了，可以是回归任务中的一些坐标值等。
当然Caffe还有其他支持的格式。

把网络中的所有层都写好，所有层的处理化参数，比如数据源的位置、batchsize等，按照网络设计的步骤，一步步添加就好。

指定迭代的次数、学习率、权重衰减参数等。

train就是一个.sh文件，调用安装好的Caffe接口，其中需要指定一些参数，比如：用哪个显卡GPU进行训练、model和solver的位置，如果transfer learning，网络的参数是从别的地方提取了一部分的，还需要指定weights参数。
Caffe在GitHub上有一个社区叫作：Model Zoo，这里面包含了别人已经训练好的模型：AlexNet\VGG等，我们也可以从社区中找到很多任务，比如：目标追踪、人脸识别等。我们可以transfer learning，把已经训练好的模型下载下来。