學習一種工具最簡單和最有效的方法是download一個demo，根據教程模擬。Caffe作為深度學習框架，它也是一種工具，官方提供了一些demo，主要是在Caffe運行的網絡架構文件。那么如何跑起一個demo呢？或者如何用demo直接做預測呢？

訓練：caffe train --solver solver.txt 這樣就可以了，如果有已訓練好的參數或者進行學習遷移finetuning，那么訓練的參數可以添加 "--weight init.caffemodel"或者"--snapshot snapshotfile.solvestate"

測試或預測：caffe test --weight test.caffemodel --model test.txt --iteration test_iteration

更加深入的理解，還要從源碼出發(fā)，首先Caffe源碼的tools目錄下的caffe.cpp是生成可執(zhí)行文件的源碼，其中定義了train()和test()兩個函數分別執(zhí)行訓練和測試，也可以自定義函數執(zhí)行特定操作。

首先看train()函數：

??CHECK_GT(FLAGS_solver.size(),?0)?<<?"Need?a?solver?definition?to?train.";
??CHECK(!FLAGS_snapshot.size()?||?!FLAGS_weights.size())
??????<<?"Give?a?snapshot?to?resume?training?or?weights?to?finetune?"
??????"but?not?both.";

首先檢查是否有solver.txt文件，文件名可自定義，但是內容必須符合solver結構，在src/caffe/proto/caffe.proto中有此定義。然后檢查snapshot和weight，這兩個參數分別用于中斷后繼續(xù)訓練和學習遷移的。
參數檢查完畢，caffe開始加載solver文件，之后是檢查訓練要工作在CPU還是GPU。

??caffe::SolverParameter?solver_param;
??caffe::ReadSolverParamsFromTextFileOrDie(FLAGS_solver,?&solver_param);

工作設備設定后，根據加載的solver_param參數創(chuàng)建solver對象，并根據snapshot和weight參數加載模型參數，如果兩個參數都沒有設置，則模型根據提供的初始化類型或者默認值進行初始化。

shared_ptr<caffe::Solver>??solver(caffe::SolverRegistry::CreateSolver(solver_param));

??solver->SetActionFunction(signal_handler.GetActionFunction());

??if?(FLAGS_snapshot.size())?{
????LOG(INFO)?<<?"Resuming?from?"?<<?FLAGS_snapshot;
????solver->Restore(FLAGS_snapshot.c_str());
??}?else?if?(FLAGS_weights.size())?{
????CopyLayers(solver.get(),?FLAGS_weights);
??}

設置和初始化完成，就可以訓練了。CPU版本的就是solver對象調用其Solver()函數。

??LOG(INFO)?<<?"Starting?Optimization";
??if?(gpus.size()?>?1)?{
#ifdef?USE_NCCL
????caffe::NCCLnccl(solver);
????nccl.Run(gpus,?FLAGS_snapshot.size()?>?0???FLAGS_snapshot.c_str()?:?NULL);
#else
????LOG(FATAL)?<<?"Multi-GPU?execution?not?available?-?rebuild?with?USE_NCCL";
#endif
??}?else?{
????solver->Solve();
??}

再看test()函數：

首先也是檢查solver文件和權值文件weight，但是此時weight必須提供，否則無法預測

??CHECK_GT(FLAGS_model.size(),?0)?<<?"Need?a?model?definition?to?score.";
??CHECK_GT(FLAGS_weights.size(),?0)?<<?"Need?model?weights?to?score.";

然后檢測當前平臺是否支持GPU，如果支持，則默認使用GPU進行預測

//?Set?device?id?and?mode
??vectorgpus;
??get_gpus(&gpus);
??if?(gpus.size()?!=?0)?{
????LOG(INFO)?<<?"Use?GPU?with?device?ID?"?<<?gpus[0];
#ifndef?CPU_ONLY
????cudaDeviceProp?device_prop;
????cudaGetDeviceProperties(&device_prop,?gpus[0]);
????LOG(INFO)?<<?"GPU?device?name:?"?<<?device_prop.name;
#endif
????Caffe::SetDevice(gpus[0]);
????Caffe::set_mode(Caffe::GPU);
??}?else?{
????LOG(INFO)?<<?"Use?CPU.";
????Caffe::set_mode(Caffe::CPU);
??}

平臺設定后，創(chuàng)建Net對象初始化預測的神經網絡，然后使用weight參數初始化網絡權值

??Netcaffe_net(FLAGS_model,?caffe::TEST,?FLAGS_level,?&stages);
??caffe_net.CopyTrainedLayersFrom(FLAGS_weights);

然后就可以開始預測了

??for?(int?i?=?0;?i?<?FLAGS_iterations;?++i)?{
????float?iter_loss;
????const?vector<Blob*>&?result?=
????????caffe_net.Forward(&iter_loss);
????loss?+=?iter_loss;
????int?idx?=?0;
????for?(int?j?=?0;?j?<?result.size();?++j)?{
??????const?float*?result_vec?=?result[j]->cpu_data();
??????for?(int?k?=?0;?k?<?result[j]->count();?++k,?++idx)?{
????????const?float?score?=?result_vec[k];
????????if?(i?==?0)?{
??????????test_score.push_back(score);
??????????test_score_output_id.push_back(j);
????????}?else?{
??????????test_score[idx]?+=?score;
????????}
????????const?std::string&?output_name?=?caffe_net.blob_names()[
????????????caffe_net.output_blob_indices()[j]];
????????LOG(INFO)?<<?"Batch?"?<<?i?<<?",?"?<<?output_name?<<?"?=?"?<<?score;
??????}
????}
??}

主要是caffe_net.Forward(&iter_loss);這一句，其他都是為了可視化的參數。