caffe的c++主程序（caffe.cpp)放在根目錄下的tools文件夾內, 當然還有一些其它的功能文件，如：convert_imageset.cpp, train_net.cpp, test_net.cpp等也放在這個文件夾內。經過編譯后，這些文件都被編譯成了可執行文件，放在了 ./build/tools/ 文件夾內。因此我們要執行caffe程序，都需要加?./build/tools/ 前綴。

如：

# sudo sh ./build/tools/caffe train --solver=examples/mnist/train_lenet.sh

caffe程序的命令行執行格式如下：

caffe <command> <args>

其中的<command>有這樣四種：

• train
• test
• device_query
• time

對應的功能為：

train----訓練或finetune模型（model),

test-----測試模型

device_query---顯示gpu信息

time-----顯示程序執行時間

其中的<args>參數有：

• -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：必選參數。一個protocol buffer類型的文件，即模型的配置文件。如：

# ./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt

-gpu: 可選參數。該參數用來指定用哪一塊gpu運行，根據gpu的id進行選擇，如果設置為'-gpu all'則使用所有的gpu運行。如使用第二塊gpu運行：

# ./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -gpu 2

-snapshot:可選參數。該參數用來從快照（snapshot)中恢復訓練。可以在solver配置文件設置快照，保存solverstate。如：

# ./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -snapshot examples/mnist/lenet_iter_5000.solverstate

-weights:可選參數。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：

# ./build/tools/caffe train -solver examples/finetuning_on_flickr_style/solver.prototxt -weights models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel

-iterations: 可選參數，迭代次數，默認為50。 如果在配置文件文件中沒有設定迭代次數，則默認迭代50次。

-model:可選參數，定義在protocol buffer文件中的模型。也可以在solver配置文件中指定。

-sighup_effect：可選參數。用來設定當程序發生掛起事件時，執行的操作，可以設置為snapshot, stop或none, 默認為snapshot

-sigint_effect: 可選參數。用來設定當程序發生鍵盤中止事件時（ctrl+c), 執行的操作，可以設置為snapshot, stop或none, 默認為stop

?

剛才舉例了一些train參數的例子，現在我們來看看其它三個<command>：

test參數用在測試階段，用于最終結果的輸出，要模型配置文件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

# ./build/tools/caffe test -model 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參數，還用到了-model, -weights, -gpu和-iteration四個參數。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參數用來在屏幕上顯示程序運行時間。如：

# ./build/tools/caffe time -model examples/mnist/lenet_train_test.prototxt -iterations 10

這個例子用來在屏幕上顯示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。

# ./build/tools/caffe time -model examples/mnist/lenet_train_test.prototxt -gpu 0

這個例子用來在屏幕上顯示lenet模型用gpu迭代50次所使用的時間。

# ./build/tools/caffe 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參數用來診斷gpu信息。

# ./build/tools/caffe device_query -gpu 0

最后，我們來看兩個關于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

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參數了，加了反而慢。

最后，在linux下，本身就有一個time命令，因此可以結合進來使用，因此我們運行mnist例子的最終命令是(一塊gpu)：

$ sudo time ./build/toos/caffe train -solver examples/mnist/lenet_solver.prototxt

轉載于:https://www.cnblogs.com/CQUTWH/p/5932570.html

總結

以上是生活随笔為你收集整理的caffe命令及其参数解析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。