Caffe下载-Caffe Windows免费下载

Caffe这名字听着挺酷，全称是卷积架构快速特征嵌入，是伯克利那边搞出来的开源框架。最初它是专攻图像识别和计算机视觉的，现在语音识别、自然语言处理这些领域也能用得上。Caffe Windows版本更是方便了咱们用Windows系统的人，提供了完整的开发环境和工具链，像预编译文件、CMake构建系统、Python接口啥的都有，让模型训练和部署变得简单多了。我个人特别喜欢它的一点是，它支持CPU和GPU无缝切换。在现在这个大数据时代，这功能太重要了。咱们普通人要是自己去搞GPU编程，估计头都大了。但Caffe就牛在这里，你只需要改一个参数，模型就能在CPU和GPU之间自由切换，大大提升了咱们发论文的速度。我当初从Matlab转到Python，就是因为Python有Theano这个工具包能支持GPU编程，而Caffe也给了我类似的感觉，用起来特别顺手。 Caffe的设计理念也很棒。它用纯文本定义模型和优化，而不是写代码，这对新手很友好。运算速度也快，对于先进模型和海量数据来说至关重要。模块化设计让它灵活可扩展，开放性则保证了科研和应用的共享。社区力量也很强大，大家一起讨论、开发，学术、原型和工业应用都能共享资源。经过两年多的迭代，Caffe在学术界和工业界都得到了广泛认可。那为什么Caffe运行速度比其他框架快呢？我觉得有几个原因。首先是数据存储，Caffe生成的数据有Lmdb和Leveldb两种格式，都是键值对嵌入式数据库。虽然Lmdb内存消耗比Leveldb多1.1倍，但速度快10%到15%，更重要的是它允许多种训练模型同时读取同一组数据集。所以Lmdb取代了Leveldb成为默认格式。我之前用老版本Caffe跑MNIST和CIFAR-10例子时，教程还是生成*_leveldb格式，后来跑ImageNet实例就提示找不到文件，重新编译新版本才发现Caffe已经用Lmdb了。官网教程也更新了，所以大家得及时升级，多看官网教程。其次是数据传输，Caffe用blobs形式传递和处理数据，这是框架的标准存储接口。Blob在计算机里是二进制大对象，能存二进制文件，像图片、声音文件这些大文件都得用特殊方式处理。在Caffe里，blob是个四位数组，不同场合各维意义不同：数据是Number*Channel*Height*Width，卷积权重是Output*Input*Height*Width，卷积偏置是Output*1*1*1。这种设计让数据传输高效又规范。 Caffe的系统配置也挺讲究。硬件上，CPU架构是x86_64，内存8-32GB，CPU1个，GPU可以是NVIDIA TITAN X，1-2个。服务器配置更高，内存32GB，每节点CPU1-2个，GPU有Tesla M40、Tesla P100可选，每节点1-4个。软件方面，操作系统是Ubuntu 14.04，GPU驱动要367.27或更新版本，CUDA工具包8.0，cuDNN库v5.1。这些配置保证了Caffe在各种环境下都能稳定运行。总的来说，Caffe是个强大又易用的框架，特别适合咱们这些想快速上手深度学习的人。它让我在Windows上也能轻松搞模型训练，不用纠结硬件差异，还能享受社区的支持。如果你也在做深度学习，不妨试试Caffe，说不定能给你带来惊喜。Caffe全称Convolutional Architecture for Fast Feature Embedding，Caffe是一个开源的深度学习框架，由伯克利人工智能研究实验室（BAIR）开发。Caffe最初是为图像识别和计算机视觉任务而设计的，但现在也可用于语音识别、自然语言处理等其他领域。
Caffe Windows是指Caffe针对Windows操作系统的版本，它提供了Windows平台下的Caffe开发环境和工具链，包括预编译的Caffe二进制文件、CMake构建系统、Python接口等。使用Caffe Windows可以方便地在Windows操作系统上进行深度学习模型的训练和部署。

软件介绍

caffe支持cpu和gpu的无缝切换，这一点在现在的大数据时代显得尤为重要。但是对于我们这些正常人来说，如果让我们在gpu上进行编程，恐怕都要傻眼了，这时caffe就提供了一个便捷的方式，可以让你忽略cpu和gpu的差别，仅仅一个参数就可以让你的模型在cpu和gpu之间自由切换，大大提升了各位童鞋‘发论文’的速度。（还有一个python工具包也可以让你方便的在cpu和gpu之间进行切换，那就是Theano了，本人最初正是因为只有python工具包才有支持gpu编程的功能，所以才弃matlab从python的）

软件特色

Caffe的设计考虑了以下几个方面：
1、表示：模型和优化以纯文本的模式定义，而不是以代码模式；
2、速度：运算速度对于最先进模型和海量数据是至关重要的；
3、模块化：新的任务和配置要求框架具有灵活性和扩展性；
4、开放性：科研和应用过程需要公共的代码、可参考的模型和可再现性；
5、社区：通过共同讨论和具体协议共同开发这个项目，学术研究、起步阶段的原型和工业应用可以共享各自的力量。
拥有以上诸多优势，经过两年多的版本迭代，Caffe框架已经在学术界和工业界得到了广泛的认可。
那么是什么原因促使caffe的运行速度比其它深度学习框架的运行速度快呢？
个人认为有以下几点：
1、数据存储：
Caffe生成的数据分为2种格式：
Lmdb和Leveldb
它们都是键/值对嵌入式数据库管理系统编程库。
虽然lmdb的内存消耗是leveldb的1.1倍，但是lmdb的速度比leveldb快10%至15%，更重要的是lmdb允许多种训练模型同时读取同一组数据集。
因此lmdb取代了leveldb成为Caffe默认的数据集生成格式。（这点得吐槽下了，没空的自行跳过此段。
之前用的是实验室服务器上安装的老版本的caffe，在运行MNIST和CIFAR-10的例子时，caffe官网教程上的还是生成*_leveldb格式的数据，但当我几天后跑ImageNet实例时，提示我找不到$CAFFE_ROOT/build/tools/目录下的caffe文件，后来还是通过和网友的tools目录下的文件对比才发现，编译后生成的老版本的caffe比新版的少了一堆东西，只好重新编译新版本，编译过程中发现缺少lmdb，查资料才发现，caffe已经用lmdb取代了leveldb，而返回去看之前的MNIST和CIFAR-10实例教程，发现教程上也已经将leveldb的部分改成lmdb了。还是提醒各位及时升级，有问题多看几遍官网教程）
2、数据传输：
当数据在前向后向传输时，caffe采用blobs的形式对数据进行传递或处理，它是该框架采用的标准的存储接口。
下面是百度百科上对blob的一段解释：
BLOB (binary large object)，二进制大对象，是一个可以存储二进制文件的容器。在计算机中，BLOB常常是数据库中用来存储二进制文件的字段类型。
BLOB是一个大文件，典型的BLOB是一张图片或一个声音文件，由于它们的尺寸，必须使用特殊的方式来处理（例如：上传、下载或者存放到一个数据库，caffe中的lmdb或leveldb）
在caffe中，blob是一个四位数组，不过在不同的场合，各维表示的意义不同
对于数据：Number*Channel*Height*Width
对于卷积权重：Output*Input*Height*Width
对于卷积偏置：Output*1*1*1

Caffe系统配置

1、硬件配置
参数规格
CPU 架构x86_64
系统内存8-32GB
CPU1
GPU 型号NVIDIA TITAN X
GPU1-2
2、服务器
参数规格
CPU 架构x86_64
系统内存32 GB
每节点的 CPU 数目1-2
GPU 型号
Tesla M40
Tesla P100
每节点的 GPU 数目1-4
3、软件配置
参数版本
操作系统Ubuntu 14.04
GPU 驱动程序367.27 或更新版本
CUDA 工具包8.0
cuDNN 库v5.1