命令列解析
JLU-IPVR
聽笙
caffe有一些功能檔案，如：convert_imageset.cpp,train_net.cpp, test_net.cpp等。經過編譯後，這些檔案都被編譯成了可執行檔案，放在了E:\caffe-windows\caffe-master\Build\x64\Debug\資料夾內（或者是Release裡，具體看編譯的版本是什麼，可以Debug和Release兩個版本都進行編譯）。因此我們要執行caffe程式，都需要加E:\caffe-windows\caffe-master\Build\x64\Debug\ 字首，也可以將這個路徑新增到系統的環境變數中，這樣就可以在使用時不新增這個字首了。
如：
caffe程式的命令列執行格式如下：
caffe <command> <args>
其中的<command>有這樣四種：
train----訓練或finetune模型（model),
test-----測試模型
device_query---顯示gpu資訊
time-----顯示程式執行時間
其中的<args>引數有：
- -solver
- -gpu
- -snapshot
- -weights
- -iteration
- -model
- -sighup_effect
- -sigint_effect
注意前面有個-符號。對應的功能為：
-solver：必選引數。一個protocol buffer
caffe.exe train -solver D:/examples/mnist/lenet_solver.prototxt
-gpu: 可選引數。該引數用來指定用哪一塊gpu執行，根據gpu的id進行選擇，如果設定為'-gpu all'則使用所有的gpu執行。如使用第二塊gpu執行：
caffe.exe train -solver D:/examples/mnist/lenet_solver.prototxt -gpu 2
-snapshot:可選引數。該引數用來從快照（snapshot)中恢復訓練。可以在solver配置檔案設定快照，儲存為solverstate。如：
caffe.exe train
-solver D:/examples/mnist/lenet_solver.prototxt
-snapshot D:/examples/mnist/lenet_iter_5000.solverstate
這樣做可以避免當訓練過程中出現問題還需要從頭開始訓練。
-weights:可選引數。用預先訓練好的權重來fine-tuning模型，需要一個caffemodel，不能和-snapshot同時使用。如：
caffe.exe train
-solver D:/examples/finetuning_on_flickr_style/solver.prototxt
-weights D:/models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel
-iterations: 可選引數，迭代次數，預設為50。 如果在配置檔案檔案中沒有設定迭代次數，則預設迭代50次。
-model:可選引數，定義在protocol buffer檔案中的模型。也可以在solver配置檔案中指定。
-sighup_effect：可選引數。用來設定當程式發生掛起事件時，執行的操作，可以設定為snapshot,stop或none, 預設為snapshot
-sigint_effect: 可選引數。用來設定當程式發生鍵盤中止事件時（ctrl+c), 執行的操作，可以設定為snapshot, stop或none, 預設為stop
剛才舉例了一些train引數的例子，現在我們來看看其它三個<command>：
test引數用在測試階段，用於最終結果的輸出，要模型配置檔案中我們可以設定需要輸入accuracy還是loss. 假設我們要在驗證集中驗證已經訓練好的模型，就可以這樣寫
caffe.exe test
-model D:/examples/mnist/lenet_train_test.prototxt
-weights examples/mnist/lenet_iter_10000.caffemodel
-gpu 0
-iterations 100
這個例子比較長，不僅用到了test引數，還用到了-model, -weights, -gpu和-iteration四個引數。意思是利用訓練好了的權重（-weight)，輸入到測試模型中(-model)，用編號為0的gpu(-gpu)測試100次(-iteration)。
time引數用來在螢幕上顯示程式執行時間。如：
caffe.exe time
-model D:/examples/mnist/lenet_train_test.prototxt
-iterations 10
這個例子用來在螢幕上顯示lenet模型迭代10次所使用的時間。包括每次迭代的forward和backward所用的時間，也包括每層forward和backward所用的平均時間。
caffe.exe time
-model D:/examples/mnist/lenet_train_test.prototxt
-gpu 0
這個例子用來在螢幕上顯示lenet模型用gpu迭代50次所使用的時間。
caffe.exe time
-model examples/mnist/lenet_train_test.prototxt
-weights examples/mnist/lenet_iter_10000.caffemodel
-gpu 0
-iterations 10
利用給定的權重，利用第一塊gpu，迭代10次lenet模型所用的時間。
device_query引數用來診斷gpu資訊。
caffe.exe device_query -gpu 0
最後，我們來看兩個關於gpu的例子
caffe.ex train
-solver D:/examples/mnist/lenet_solver.prototxt
-gpu 0,1
caffe.exe train
-solver examples/mnist/lenet_solver.prototxt
-gpu all
這兩個例子表示： 用兩塊或多塊GPU來平行運算，這樣速度會快很多。但是如果你只有一塊或沒有gpu, 就不要加-gpu引數了，加了反而慢。