2. 跨平台Caffe
Caffe繁杂的依赖项增加了安装使用的难度，也限制了系统的可移植性。为了解决Caffe跨平台的问题，本章首先分析Caffe依赖库，随后提出一种第三方库方案，最后介绍一个轻量级的跨平台Caffe分支项目——Dragon Caffe[2]。
2.1 依赖库分析
为了裁剪臃肿的依赖库，抽取、预编译必要的依赖库，我们首先需要分析Caffe的依赖库。
ProtoBuffer
ProtoBuffer是由Google开发的一种可以实现内存与非易失存储介质（如硬盘文件）交换的协议接口。用户只需建立统一的参数描述文件（proto），然后利用protoc编译就能让协议细节等关键部分代码自动生成。Caffe源码中大量使用ProtoBuffer作为权值和模型参数的载体，它可以快速地对这些格式化数据进行序列化/反序列，还可以跨语言传递相同的数据结构。ProtoBuffer依赖库
Boost
Boost库是一个功能强大、跨平台的C++开源库。在Caffe中主要使用了Boost中的智能指针和多线程库。
Gflags
Glags在Caffe中主要起到命令行参数解析的作用。
Glog
Glog库Google开发的用于记录应用程序日志的使用库，提供基于C++标准输入输出流形式的接口。Glog库和上文提到的Gflags库代码量很少，可以将代码融入到Caffe项目中，从而减少依赖库的数量。
BLAS
Caffe中用到的数学计算主要是矩阵、向量的计算，调用了BLAS(Basic Linear Algebra Subprograms)中的相应方法。最常用的BLAS实现有Intel MKL、ATLAS、OpenBLAS等，Caffe可以任选一种。
OpenCV
OpenCV是最流行对开源计算机视觉库，包含有大量图像处理函数。Caffe主要使用OpenCV完成一些图像存取和预处理功能，因此没有必要编译所有对OpenCV模块，仅仅裁剪出图片读写、图片缩放等模块即可。
LMDB和LEVELDB
LMDB(Lighting Memory-Mapped DatabaseManager)是一种内存映射型数据库管理器，在Caffe中对作用主要是提供数据管理，将不同对原始数据（e.g. JPEG图片、二进制数据）转换为统一对Key-Value存储，便于Caffe对DataLayer获取这些数据。早期对Caffe使用两级缓冲预取数据库中对数据，由于目前制约深度学习系统IO速度的因素主要是带宽而非计算资源，可以直接读入、预处理原始数据（例如使用ImageDataLayer），为了简化Caffe也可以移除这个依赖库。
LEVELDB库是Caffe早期版本使用的数据存储方式，由Googl开发。它是一种持续的键值对存储方式，键和值可以为任意字节数组。键的存储顺序可由用户定义的比较函数决定。目前大部分例程都已经使用LMDB代替了LEVELDB。
Snappy
Snappy是一个用来亚索和解压的C++库，旨在提供较高的压缩速度和合理的压缩率。Snappy比zlib更快，但文件相对要打20%~100%。
2.2 第三方库跨平台方案
对于Caffe的跨平台移植问题，第三方库（3rdparty）方案是一个很好的选择。首先分析Caffe的依赖库，抽取、裁剪必要的第三方库，并且保证这些库是平台无关的。然后针对不同平台（Windows/Linux/嵌入式系统）预先编译好这些库，以供Caffe运行时动态加载这些第三方库。对于平台相关的库，可以选择跨平台的替代库（例如用跨平台的boost库替代Linux的pThread库），或者直接移除，然后移除简单的库，重写第三方库的代码并融入到工程中。这种方案具有可裁剪、灵活配置的优点，已被用于多个跨平台Caffe开源项目[3]。
DragonCaffe[2]便是一个采用第三方库方案的跨平台Caffe开源分支。该项目根据Caffe运行的需要，裁剪了庞大的boost、OpenCV库，移除不必要的库，最小化Caffe的第三方库数量和存储空间。由于采用第三方库方案，能够保证Linux/Windows平台的同步安装，做到了真正的跨平台，并且安装十分便捷快速。
2.3 跨平台Caffe安装与使用
跨平台Caffe项目Dragon的安装过程十分简单，只需要为第三方库配置环境变量，编辑编译配置文件CMakeList.txt，最后编译源代码。具体步骤如下：
1. 下载Dragon Caffe项目。2. 安装显卡驱动与CUDA。
3. 根据操作系统类型选择预编译的第三方库。
4. 将第三方库的路径配置到PATH环境变量中。
5. 编辑编译配置文件CMakeList.txt，添加第三方库的路径、CUDA路径等信息。
6. 编译源代码。
DragonCaffe的使用与原版Caffe一样，例如使用其C++接口训练数据，运行编译好的dragon.exe程序，输入train参数和模型配置文件路径，从而开启网络的训练过程。
图2-1 Dragon Caffe启动训练程序
图2-2 Dragon Caffe训练过程
Reference
[2] Dragon:A Light Deep Learning Framework，https://github.com/neopenx/Dragon
转自：https://blog.csdn.net/solomon1558/article/details/52291047