【Caffe是什麼？】

【部落格目的】

從接觸Caffe、編譯執行、閱讀程式碼、修改程式碼一路走來，學習到不少內容，包括深度學習理論，卷積神經網路演算法實現，數學庫MKL，計算機視覺庫OpenCV，C++模板類使用，CUDA程式編寫……

本部落格目的是為初學者清除程式碼閱讀中的障礙，結合官網文件、融入個人理解、注重動手實踐。

【如何開始】

在開始閱讀Caffe程式碼之前，應該做好下面幾件事：

（1）下載Caffe原始碼；

（3）編譯；

（4）執行例子（如MNIST、CIFAR10、ImageNet等）；

【路線圖】

（1）Caffe原始碼閱讀路線圖應該是從CAFFE_ROOT/src/caffe/proto/caffe.proto開始，瞭解各類資料結構，主要是記憶體物件和序列化磁碟檔案的一一對應關係，知道如何從磁碟Load一個物件到記憶體，以及如何將記憶體物件Save到磁碟，中間的過程實現都是由Protobuf自動完成的。

（2）第二步就是看標頭檔案，不用急於去看cpp檔案，先理解整個框架。Caffe中類數目眾多，但脈絡十分清晰。在Testing時，最外層的類是Caffe::Net，包含了多個Caffe::Layer物件，而Layer物件派生出神經網路多種不同層的類（DataLayer, ConvolutionLayer, InnerProductionLayer, AccurancyLayer等），每層會有相應的輸入輸出（Blob物件）以及層的引數（可選，Blob物件）；Blob中包括了SyncedMemory物件，統一了CPU和GPU儲存器。自頂向下去看這些類，結合理論知識很容易掌握使用方法。

（3）第三步就是有針對性地去看cpp和cu檔案了。一般而言，Caffe框架不需要修改，只需要增加新的層實現即可。例如你想自己實現卷積層，只需從ConvolutionLayer派生一個新類MyConvolutionLayer，然後將幾個虛擬函式改成自己的實現即可。所以這一階段關注點在演算法上，而不是原始碼本身。

（4）第四步就很自由了，可以編寫各類工具，整合到Caffe內部。在CAFFE_ROOT/tools/下面有很多實用工具，可以根據需要修改。例如從訓練好的模型中抽取引數進行視覺化可以用Python結合matplot實現。

（5）接下來，如果想更深層次學習，最好是自己重新寫一遍Caffe（時間充裕的情況）。跳出現有的框架，重新構建自己的框架，通過對比就能學到更多內容。