? 現如今，在深度學習領域中的主流開源框架有很多。而Caffe框架是人們無法繞過的一座山。這不僅是因為它無論在結構、性能上，還是在代碼質量上，都稱得上一款十分出色的開源框架。更重要的是，它將深度學習的每一個細節都原原本本地展現出來，大大降低了人們學習研究和開發的難度。Caffe框架之所以廣受歡迎是因為其穩定的模型架構、較好的設備抽象、清晰的說明教程（用戶只需要將官方文檔的例子跑一遍，基本就能清楚Caffe的操作過程和細節）以及開放的模型倉庫。 本教程詳細介紹了Caffe的優勢、架構，網絡定義、各層定義，Caffe的安裝與配置，解讀了Caffe中Filler的作用以及cifar10、ImageNet數據集和mnist數據集創建lmdb或leveldb類型的數據等等。再加上大量的解析Caffe中重要的源碼理解其精髓，加強對深度學習理論的理解。在教程的后還配有Caffe完整的案例解析。 ? ? 1.課程研發環境 主要講解的是Windows環境下Caffe框架 操作系統：推薦Windows Server 2012 R2 64bit或Windows 7 SP1 64bit以上 編譯環境：Visual Studio 2013 Ultimate版 CAFFE數據包 2.內容簡介 本教程以目前已經大量用于線上系統的深度學習主流框架Caffe為例，從底層開始，由淺入深，先是概述Caffe框架，說明其和深度學習的關系，然后講解并演示 Caffe的配置、部署、使用，接著講解了Caffe的基本數據結構，然后通過大量的閱讀Caffe源碼理解其精髓，加強對深度學習理論的理解，終達到熟練運用 Caffe 解決實際問題的目的。本教程還講解了Caffe框架中的MNIST數據集，從使用腳本下載數據集，再到其數據格式的一個描述，后還詳細演示了其數據格式轉換。和其他深度學習主流框架教程相比，本教程偏重動手實踐，將難以捉摸的枯燥理論用淺顯易懂的形式表達，透過代碼揭開其神秘面紗，更多地貼近實際應用。? ? 第1講-初識Caffe 1.1-Caffe的簡介和其安裝 1.2-數據格式描述以及LEVELDB和LMDB介紹 1.3-數據格式轉換描述 1.4-數據格式轉換與LeNet5模型描述 1.5-LeNet5模型和Caffe目錄結構 第2講-Caffe中Filler的作用和cifar10數據集創建lmdb或leveldb類型的數據 2.1-Filler類前 2.2-Filler類中 2.3-Filler類后 2.4-cifar10函數分析上 2.5-cifar10函數分析下 第3講-Caffe數據結構 3.1-Blob的簡介和主要源碼解析 3.2-Blob所有源碼的解析 3.3-Layer的介紹和其主要源碼的解析 3.4-Layer所有源碼的解析 3.5-Net簡介與源碼解析 第4講-解析Caffe.proto和sovler-factory 4.1-protocol buffer 4.2-caffe.proto中的幾個重要數據類型 4.3-caffe.proto 4.4-Solver工廠類注冊Solver子類 4.5-solver_factory.hpp 第5講-Caffe程序入口分析及其訓練源碼基本流程 5.1-Caffe程序運行流程上 5.2-Caffe程序運行流程下 5.3-訓練LeNet和網絡初始化 5.4-訓練過程 第6講-Caffe計算圖像均值描述和ImageNet數據集創建lmdb類型的數據 6.1-計算圖像均值 6.2-計算圖像均值描述 6.3-ImageNet數據集創建lmdb類型的數據前部分 6.4-ImageNet數據集創建lmdb類型的數據后部分 第7講-加深學習Caffe源碼 7.1-介紹Caffe代碼結構及其定義網絡結構 7.2-讀取和解析數據代碼 7.3-Google Flags和Register Brew Function的宏的使用 7.4-train()函數和SolverParameter的解析過程 第8講-完整案例源碼解析 8.1-LeNetSolver初始化 8.2-LeNet初始化訓練網絡上 8.3-LeNet初始化訓練網絡下 8.4-LeNet前向過程 8.5-LeNet反向過程 ? ? ? ? ? 目標一. 了解Caffe框架的環境配置以及LEVELDB和LMDB數據。 目標二. 學習并且掌握Caffe框架基礎的數據結構，明白其各結構之間的關系。 目標三. 閱讀明白Caffe框架的源碼，特別是其入口程序也就是Caffe.cpp的源碼理解，這樣可以熟悉Caffe程序運行流程。 目標四. 明白Caffe優化求解過程，重點是求解器，以及求解器的實現等等。