Caffe学习笔记9：caffe命令行解析

caffe的运行提供三种接口：c++接口（命令行）、python接口和matlab接口。一般前面两个用的比较多。小菜这里也是看了别人的博客，下面的内容也是来自别人的总结。

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。因此我们要执行caffe程序，都需要加./Build前缀。如：

如：

Build/x64/Release/caffe.exetrain --solver=examples/myfile/solver.prototxt

caffe程序的命令行执行格式如下：

caffe <command> <args>

其中的<command>有这样四种：

Ø  train：训练或finetune模型（model),

Ø  test：测试模型

Ø  device_query：显示gpu信息

Ø  time：显示程序执行时间

其中的<args>参数有：

Ø  -solver：必选参数。一个protocolbuffer类型的文件，即模型的配置文件。

Ø  -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/x64/Release/caffe.exe train --solver=examples/myfile/solver.prototxt–gpu 2

Ø  -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。

Ø  -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。

Ø  -iteration：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。

Ø  -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。

Ø  -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。

Ø  -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。

注意前面有个-符号。

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>：小菜要在这里说明一下，后面两个小菜是没有测试的，只是了解了一下，刚兴趣的可以去测试一下。

test参数用在测试阶段，用于最终结果的输出，要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已经训练好的模型，就可以这样写：

./build/tools/caffetest -model examples/mnist/lenet_train_test.prototxt -weightsexamples/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参数用来在屏幕上显示程序运行时间。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参数用来诊断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。

最后，在linux下，本身就有一个time命令，因此可以结合进来使用，因此我们运行mnist例子的最终命令是(一块gpu)：

$ sudotime ./build/toos/caffe train –solver examples/mnist/lenet_solver.prototxt