56 Marvin: 一个支持GPU加速、且不依赖其他库（除cuda和cudnn）的轻量化多维深度学习（deep learning）框架介绍

0 引言

Marvin是普林斯顿视觉实验室（PrincetonVision）于2015年提出的轻量化GPU加速的多维深度学习网络框架。该框架采用纯c/c++编写，除了cuda和cudnn以外，不依赖其他库，编译非常简单，功能也相当强大，用于深度神经网络的快速原型开发非常好用。缺点在于没有提供API，所有的代码集中在marvin.hpp一个文件中，读起来非常困难。好在提供了视频格式的PPT，对框架和代码进行解读。下面将基于官网视频/ppt对该框架进行介绍。

1 相关链接

不想看我翻译的同学可以直接参考下面的链接，里边包含了我下面将要讲到的所有知识。

官网:                         http://marvin.is/
github:                       https://github.com/PrincetonVision/marvin
基于Marvin搭建的应用3DMatch:    https://github.com/andyzeng/3dmatch-toolbox

2 为什么要用Marvin

深度学习的框架千千万，包括caffe，tensorflow，keras，pytorch等，为啥一定要试试Marvin呢？用过caffe的同学知道，caffe的配置分分钟让一个正常的少男少女抓狂；tensorflow则包含两个版本，而且不向下兼容，跑前一个版本的代码颇为费劲，还要去改源码；keras集成了tensorflow等框架，封装严密，这种框架上手一时爽，但出了bug调试起来就很难找到原因。其他的不一一分析了。相比而言，Marvin有一下几个优点。

（1）依赖项极少，就俩，CUDA 7.5 and cuDNN 5.1

（2）编译方便，./compile.sh就完事了

（3）模型框架描述清晰，模型采用.json文件描述，类似于caffe的.prototxt文件，搭建或者修改起来都极为方便

（4）运行速度快，在GPU计算方面进行了优化，可显著节省显存

（5）支持多种型号的GPU

（6）跨平台，支持Windows，Mac，Linux等

3 模型的训练过程介绍

（1）可以用下面这个公式简单解释一下，即训练的目的是通过迭代法不断调整权重(weights)参数使损失函数(loss)收敛/最小化

　　　　　　　　　　　　　　　　　　　　　　　　　　　

（2）训练的基本原理是利用梯度下降法(gradient descent)，不断更新权重参数， 通常采用直接梯度下降法或随机梯度下降法来训练

　　　　　　　　　　　　　　　　　　　　　　　　　　 

（3）训练的迭代步骤如下

　　1 随机采样小样本批次

　　2 前向传播 (forward) 计算响应

　　3 反向传播 (backpropagation) 计算权重和响应梯度

　　4 用梯度更新权重

（4）训练参数

　　1 learning rate

　　2 weight decay

　　3 momentum

（5）正则化（regularization）与求解器（solver）可选

4 Marvin工程文件介绍

（1）源文件： marvin.hpp和 marvin.cu

（2）可执行文件：./marvin

（3）matlab脚本，python脚本等

（4）.tensor后缀的文件是数据输入输出文件（估计是中间文件之类的）

（5）.marvin是模型的权重参数文件，即训练的结果

（6）.json文件是网络结构描述文件，marvin.hpp文件中存在类JSON可以对.json文件进行解析

5 数据格式操作及转换

（1）tensor file format

（2）张量数据类型转换： matlab与python工具箱中提供了相应的方法

 

6 JSON网络架构

（1）JSON文件格式介绍： http://www.json.org/

（2）在线查看器：http://jsonviewer.stack.hu  等

（3）网络可视化工具： tools/viewer_matlab

（4）层之间应当遵循拓扑顺序； 层的名称具有唯一性； 测试与训练的mini-batch size应当一致 

7 layer介绍

（1）卷积层convolution

（2）内积层InnerProduct

（3）激活层activation

（4）LRN层

（5）Dropout层

（6）softmax层

（7）loss层

（8）池化pooling层

8 数据层： class DataLayer及其子类

（1）为了重用training 和 testing的显存，需要将training 和 testing的mini-batch size 设置成一样的

（2）DataLayer中的超参数的意义

　　1 numofitems: 如果你在训练集中有64000张图片，那么  numofitems == 64000

　　2 mini-batch size：深度学习每一次参数的更新所需要损失函数并不是由一个 {data: label} 获得的，而是由一组数据加权得到的，这一组数据的数量就是 [batch size]

https://blog.csdn.net/xys430381_1/article/details/80680167  # 关于使用batch size的利弊分析

　　3 epoch: 当我们分批学习时，每次使用过全部训练数据（全部子集）完成一次Forword运算以及一次BP运算，成为完成了一次epoch

　　4 iterations: 迭代。比如，我们有1000个样本，batch size是50，其将会有20个Iterations。这20个Iteration完成一个epoch

（3）MemoryData: 将所有数据&标签全部加载到cpu内存中，每次前向运算使用RAM中的部分数据和标签

　　1 name

　　2 phase: "Training", "Testing", "TrainingTesting"

　　3 file_data: path to a tensor file for data    # 训练数据的路径信息

　　4 file_lable: path to a tensor file for lable   # 训练标签的路径信息 

　　5 file_mean: path to a tensor file for the mean for subtraction, default empty "" to disable sutraction   # 一个张量文件的路径，用于求减法的平均值

　　6 batch_size: 64, scale: 1.0, mean: 0.0

（4）DiskData： 将所有的数据&标签加载到CPU内存中，将所有数据放在开放文件夹里，每次前向运算，从CPU RAM中读入一部分标签， 移动硬盘指针将文件读取并传入GPU

当数据量比较大的时候用，但是不适用于CPU RAM， 比如ImageNet

　　1 name: datalayer name

　　2 phase: "Training", "Testing", "TrainingTesting"

　　3 in: the mean used to subtract typically provide form the out of tensor constant data layer       # 用于相减的平均值，通常由张量常数数据层提供

　　4 out: the first is the data, the second is the label 

　　5 file_data: path to a tensor file for data    # 训练数据的路径信息

　　6 file_label: path to a tensor file for lable   # 训练标签的路径信息 

　　7 batch_size: 64

　　8 mirror: true/false, horizontally flip the image randomly   # 是否随机水平翻转图像

　　9 size_crop: if the size_crop is smaller than the size of items in file _data, Marvin will randomly crop 

9 PPT版Marvin介绍下载链接

https://github.com/2017Greg/myVscodeProject