はじめに

TSUBAME2.5では、Gsicの実験的サービスのページに従って以下のようにコマンドを入力すると、Caffeを利用する準備が整います。

~> source /usr/apps.sp3/nosupport/gsic/env/caffe-0.13.sh

しかしこのバージョンのCaffe(ver0.13)に実装されていない3D-CNN(3D Convolutional Neural Network)の機能を利用する場合は別バージョンのCaffeの導入を行う必要があります。そこで本記事では、TSUBAME2.5において3D-CNNの機能を利用したい場合のCaffeの機能を記します。

環境

TSUBAME2.5を前提にしています。

3D-CNN用のCaffeの導入

必要環境の準備

まずCaffeのコンパイルに必要なOpenBLASのインストールを行います。シェルにおいてインストールしたいディレクトリで以下のように入力します。
(参考：Linux で OpenBLAS と ATLAS を使って行列積の計算をしてみた - Unity 勉強メモ)

~> git clone https://github.com/xianyi/OpenBLAS.git
~> cd OpenBLAS
~> make
~> make install

また、Caffe公式によれば、PythonからCaffeの機能を利用する場合、Anacondaのインストールが推奨されています。Pythonのバージョンマネージャにpyenvを用いている場合は、以下のコマンドで Anacondaのインストールと、グローバル環境にAnacondaを利用する設定ができます(Anacondaのバージョンは適宜変更する必要があります)。

~> pyenv install anaconda-2.3.0
~> pyenv global anaconda-2.3.0

Caffeのダウンロード

GitHubからCaffeをダウンロードします。以下、(ダウンロードしたディレクトリ)/caffeを$CAFFE ROOTと表します。

~> git clone https://github.com/jmerkow/caffe.git

Makefileの設定

つぎにMakefileの設定を行います。$CAFFE ROOT/Makefile.config.exampleを$CAFFE ROOT/Makefile.configにコピーします。

~> cd $CAFFE_ROOT
~> cp Makefile.config.example Makefile.config

$CAFFE ROOT/Makefile.configの一部を以下のように修正します。BLAS INCLUDEとBLAS LIBのパスは適宜変更します。

（修正前）

# USE_CUDNN := 1

# CUDA_DIR := /ust/local/cuda

BLAS := atlas

（修正後）

USE_CUDNN := 1

CUDA_DIR := /usr/apps.sp3/cuda/7.0

BLAS := open
BLAS_INCLUDE := (自分のホームディレクトリ)/.local/OpenBLAS/include
BLAS_LIB := (自分のホームディレクトリ)/.local/OpenBLAS/lib

Caffeのコンパイル

$CAFFE ROOT/Makefile.configの編集が終わったら、コンパイル作業を行います。makeコマンドの-jオプションは並列処理を行うことを表しています。

~> make all -j
~> make test -j
~> make runtest

全てエラーなく終了すればCaffeの導入は終了となります。caffeコマンドを実行して、以下のような表示がされれば準備が完了しています。

~> caffe
  caffe: command line brew
  usage: caffe <command> <args>
  commands:
    train           train or finetune a model
    test            score a model
    device_query    show GPU diagnostic information
    time            benchmark model execution time
    Flags from tools/caffe.cpp:
      -gpu (Run in GPU mode on given device ID (Legacy switch, use -gpus).)
        type: int32 default: -1
      -gpus (Run in GPU mode on given device IDs separated by ’,’.Use ’-gpus all’
        to run on all available GPUs.) type: string default: ""
      -iterations (The number of iterations to run.) type: int32 default: 50
      -model (The model definition protocol buffer text file..) type: string
        default: ""
      -snapshot (Optional; the snapshot solver state to resume training.)
        type: string default: ""
      -solver (The solver definition protocol buffer text file.) type: string
        default: ""
      -weights (Optional; the pretrained weights to initialize finetuning,
        separated by ’,’. Cannot be set simultaneously with snapshot.)
        type: string default: ""

学習方法

基本的に通常のCaffeと変わりませんが、3D-CNNのためのデータを扱う際はlmdb形式やLEVELDB形式は使えず、HDF5形式のみ利用可能なようです(参考：ND convolution with im2col #2049 by jeffdonahue)。
またprototxtファイルに構造を記述する際も、3D-CNN以外の記述方法はCaffe公式ドキュメントに書かれている通りで問題ありません。3D-Convolution層、3D-Pooling層は、例えば以下のようにkernel_sizeを3回書くことでカーネルのサイズを指定し、利用することができます。

（3D-Convolution層）

layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    engine: CAFFE
    num_output: 96
    kernel_size: 3
    kernel_size: 3
    kernel_size: 3
    stride: 1
    pad: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}

（3D-Pooling層）

layer {
  name: "pool1"
  type: "Pooling"
  bottom: "relu1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 3 
    kernel_size: 3 
    kernel_size: 3 
    stride: 1      
  }
}

3D-Convolution層を利用する場合、上記のようにconvolution_param以下にengine: CAFFEの記述が必要です。